在汽车成为人类必需品的当前社会,交通便利性是我们的首要考量,而合理布设道路交通网络意义重大。道路的空间定位和趋势走向对于道路信息的判别和卫星空间定位导航具有重要作用。道路信息提取是当前相关研究的重点、难点之一。语义分割是遥感影像处理中的一项重要任务,也是道路信息提取的重要途径,遥感地物的多样性以及背景的复杂性都是语义分割面临的巨大挑战。道路是遥感影像中的基本要素之一,而高分辨率卫星遥感影像为道路信息提取能力的提升创造了重要条件。受地表环境复杂和算法局限性影响,目前尚未有一种完善的道路提取算法。本文基于深度学习开展高分辨率遥感影像道路信息提取研究,以期突破已有算法的局限,提高道路信息提取的准确度,主要工作与成果如下:（1）针对大范围内高分辨率遥感影像道路样本获取难度大的问题,提出一种基于弱样本的研究方法,制作一套用于道路提取的样本数据集。使用土地利用分类数据和道路矢量图作为数据源,经过矢量栅格化、图层叠加等处理生成深度学习遥感影像样本库数据集。（2）研究和改进现阶段高分辨率遥感影像道路信息提取的深度学习网络,基于卷积神经网络,对比分析热门的语义分割网络PSPNet以及在细小地物提取方面中占有优势的UNet,在此基础上改进并构建FPUNet,该网络可以更好地消除高分辨率遥感影像中出现的独立的散点和斑块结构,提高道路提取精度的同时,视觉效果上使得道路区域更具有整体性。（3）以北京市为研究区域,进行了小范围的实验和大范围的验证,实现了北京市的所有道路的提取,训练得到北京市的道路提取模型,运用三种常见的精度评价因子:总体分类精度（Overall Accuracy）交并比（IOU）平衡F分数（F1Score）进行精度评价且提取效果良好。鉴于道路样本获取难度大,提升模型的泛化能力可以解决样本量的问题,且能加速道路的提取进展,便于预测其他地区的道路,因此讨论分析了模型的泛化,尝试使用现有的北京市的道路提取模型,直接预测天津市和广州市道路信息,结论证明模型泛化与地理因素有关。