移动激光扫描系统(MLS-mobile laser scanning)可以获取高精度的密集点云,已成为实现城市三维建模的一种高效的解决方案。考虑到道路边界需要相对较高的准确性和完整性,而移动激光扫描系统采集的点云数据具有高密度、远距离和高效率的优点,所以该系统适用于提取高精度的道路边界。然而,由于采集期间的遮挡和数据密度随着距离的增加而减小等原因,得到的原始点云总是不完整的,导致提取的边界也往往是不完整的。针对道路边界提取不完整问题,本文提出了一种基于深度学习的框架,使用多源数据来构建完整的三维城市道路边界。多源数据包括了车载激光点云、空间轨迹数据和遥感图像。方法首先在车载激光点云道路数据中提取三维道路边界;其次采用基于图像的间隙检测及修复的卷积神经网络对三维道路边界进行补全;接着为了应对边界间隙的不确定性问题,本文使用卫星定位轨迹大数据和遥感图像生成得到道路中心线,并以此作为条件生成对抗网络(cGAN-conditional generative adversarial network)模型的补全修正指导数据,以进一步得到更准确和完整的道路边界;最后,通过将一系列卫星定位轨迹记录点与三维道路边界关联匹配后,可以从完整边界和卫星定位轨迹数据中分别提取得到道路固有几何特征以及对应的道路动态信息。所提出的方法在真实自测数据以及国际公认的KITTI数据上进行了深入测试。提出的补全方法在三个数据集上得到的完整性、正确性和质量分别为93.78%、95.38%、89.71%(国际会展中心),93.13%、96.22%、89.84%(环岛干道)以及94.41%、86.82%、82.57%(KITTI)。另外,针对间隙未补全和不规则补全结构两个问题的边界修正模型分别得到0.48 m与0.56m的平均误差距离结果。对使用不同传感器采集得到的点云进行的实验结果表明,提出的方法对于完整的三维城市道路边界构建和道路特征提取有优秀的性能,应用前景广泛。