由于高分辨率遥感图像的广泛覆盖和高精度,它已成为地理信息数据的重要来源,遥感图像分割在军事、民用等领域具有良好的应用前景,但由于复杂的背景条件以及干扰物的遮挡,导致现有算法无法实现从遥感影像中精准提取所需目标信息。遥感信息技术是我国现代城市和社会经济发展中必不可少的一部分,研究如何利用遥感影像快速准确提取道路信息,对快速更新地理数据、快速应急反应等领域具有重要的社会科学和技术意义。目前,从遥感图像中采集和提取道路数据的准确性和精度不能满足日益精确的需求。因此,如何充分利用遥感影像,大范围自动提取道路数据吸引了全世界的广泛关注。早期遥感影像中的道路提取方法大多是建立在浅层特征和先验知识基础上进行的,不仅准确度低,而且所得到的信息含有大量的噪声,且所提取的方法相对繁琐、效率低,特别不适合高分辨率的遥感影像。随着计算机技术的飞速发展,基于深度学习的遥感影像的识别和提取方法已经日趋成熟,在区分道路与其他非道路地物方面有突出优势,但仍存在道路断点,提取效果有待进一步提升。如干扰导致的道路不连贯、特征不明显导致所提信息错误等问题,为此本文做了如下研究。首先,由于噪声的干扰,所获得的道路信息有可能出现道路边界不连续或者道路中断,主要是道路附近的树木、车辆、建筑物自身的障碍物或所形成的遮挡阴影等。其次,由于遥感影像中的道路和非道路区域的像素数量相差太大,很可能会造成模型的误判。为了解决这些问题,本文提出的方法和创新点如下:（1）对传统的道路提取算法进行了比较,并结合U-Net网络的基本原理,对其在道路提取方面的优势进行了分析。由于其层次结构和良好的学习表达能力,可以从大量的数据中自动提取道路,适合在复杂的背景下进行道路识别。（2）采用U-Net网络模型作为基础,提出了一种基于改进U-Net的多维度监督特征优化的网络模型。通过分析U-Net模型的不足,在此基础上将其改进为层次更深的模型,使其可以提取到更复杂影像的深层次特征,同时,为了优化道路目标的浅层细节特征和深层的语义特征,引入注意力机制,设计了模块MD-MECA,并将其添加至编码部分到解码部分的特征传递步骤中;通过添加Batch Normalization和Drop Block,大大减少模型参数,提高训练和测试速度,解决了网络训练过程中出现的过拟合问题。（3）依据改进的U-Net模型进行实验,对实验结果进行评价分析,本文在实验中对比了三种道路提取的方法:基于U-Net模型的道路提取、基于Seg Net模型的道路提取、基于本文模型的道路提取。将三种不同方法的结果进行对比,结果表明,本文方法的召回率、准确率和F1值都得到明显的提升,验证了本文方法识别道路目标的精度更高,最终可以对道路情况进行更为准确的检测分类。