高分辨率遥感影像包含丰富的地物信息,为其后续解译打下了良好的数据基础,其中道路提取是高分辨遥感影像处理中的一个重要研究内容,在许多领域与场景中有不可替代的作用。而传统的道路提取方法无法准确提取图像中有判别性的信息,导致传统方法道路提取结果不准确且自动化与智能化程度偏低。而基于深度学习的主流方法虽然在提取结果上有所提升,但无法很好的处理遥感影像处理中的小样本问题,需要大量的数据增强与预处理和后处理操作,增加了计算与储存资源的消耗。针对上述问题,本文基于深度学习中的生成对抗网提出了基于语义嵌入生成对抗网的道路提取方法,提高了小样本情况下道路提取的性能;提出了基于弱监督多尺度语义嵌入生成对抗网的高分辨遥感影像多等级道路提取方法,提高了对路宽差异较大的道路提取性能,同时进一步缓解了由于小样本问题对模型效果的限制;提出了基于生成对抗网的遥感影像道路去遮挡方法,避免了由于遥感影像中经常出现的遮挡问题而对道路提取结果带来的负面影响,增强了模型在实际应用中的鲁棒性。本文的主要工作总结如下:1.提出了一种基于语义嵌入生成对抗网络的遥感影像道路提取方法,该方法将道路提取任务看作是一种特殊的图像翻译任务,利用生成对抗网由遥感图像直接生成道路类标图,同时损失函数在使用生成对抗网损失的基础上添加语义嵌入损失,在细节上进一步约束生成图像的质量。该方法是一个完全端到端的道路提取框架,在遥感影像小样本的条件下也能取得优异的性能。2.提出了一种基于弱监督多尺度语义嵌入生成对抗网的多等级道路提取方法,通过使用多通道生成网络模型对遥感影像中的多尺度道路进行准确提取,同时降低了模型参数量;利用渐进式生成网络生成更多的高分辨遥感影像样本结合弱监督策略为深度网络的训练提供了更多的有标注样本,一定程度上缓解了小样本问题带来的模型性能下降。3.提出了一种基于生成对抗网的遥感影像道路去遮挡方法,该方法摒弃了传统遥感影像去云雾的思想,使用生成网络直接生成遮挡区域的信息从而进行补全,可以在没有遮挡位置先验知识的情况下较好的修复缺失信息,应用范围更加广泛。