目标检测与识别是计算机视觉的一个重要研究领域。近十年来,航拍图像对地球的覆盖逐渐完备,分辨率逐步提高,为目标检测与识别提供了丰富的数据源。然而,仅仅依赖传统的人工判读显然远远无法满足用户的亟需。因此,采用人工智能技术,特别是近十年来兴起的机器学习和深度学习技术,研发智能的自动目标分类与识别算法是目前计算机科学与信息工程领域的一个热门话题。从航拍图像上自动提取道路网信息是其中的重要研究课题之一。随着图像的分辨率逐步提高,使得原先适合中低分辨率图像的线状道路提取方法已不太适合高分辨率图像上显现的面状道路区域的自动提取,本文以道路面状区域的自动提取为研究目标,研究航拍图像的道路分割与提取问题,具体的研究内容如下:一是从机器学习理论出发,研究了支持向量机和超图方法,在航拍图像道路分割中的应用。对于支持向量机方法,采用超像素分割技术加速处理速度,同时融合了霍夫变换提取道路边界,改善了道路分割的结果。而超图考虑了邻域像素的信息,效果会更好,故将其应用在航拍图像的道路分割中,同时采用超像素分割来提高效率,并用形态学优化结果。二是从深度学习理论出发,研究了递归神经网络,将卷积神经网络和条件随机场两者相结合,构成一个端到端的网络。再采用了多尺度样本的训练和形态学后处理的方法,有效地提高了航拍图像的道路分割效果。实验表明,对于120张500*500的图像,基于支持向量机与霍夫变换相结合方法每帧耗时35秒,能达到召回率93.28%,比次优方法高3.75%,但质量度仅78.77%;而递归神经网络方法每帧耗时0.5秒,能达到召回率89%、质量度82.84%,单项指标与最优方法相差不大,综合性能突出,更加鲁棒。定量与定性分析表明,两种方法各有优缺点,前者适用于道路线明确,训练规模有限的应用场景,后者适用于道路条件复杂且训练集规模大的应用场景。