道路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,研究遥感道路图像的应用以及道路信息提取的方法具有重要的社会科学和技术意义。自动遥感道路信息提取技术涉及范围覆盖到遥感道路车辆的导航、城市规划、智能轨道交通、图像信息注册、地理信息系统的更新、土地资源综合利用检测等多个领域和任务。目前,从遥感图像中采集和提取道路数据的准确性和精度还远不能达到相关技术要求。因此,如何充分利用先进的高分辨率卫星遥感道路图像上的影像特征和道路特点实现对道路信息的自动提取,是当前与道路相关的应用上人们迫切需要研究和解决的一个技术问题。较早的遥感道路图像提取的方法多是基于图像浅层特征和先验知识进行道路提取,精度并不是很高,提取结果包含噪声较多,而且提取方法相对繁琐、低效率,尤其不适应于场景更为复杂多样的高分辨率的遥感道路图像。近年来,利用深度学习技术来识别和提取遥感图像道路的方法越来越多,虽然噪声问题、传感器的误差等这些问题已经得到了实质性的改善,但是还存在着许多其他的问题。首先,提取得到的遥感道路由于噪声的干扰存在道路边缘不连贯或道路断开的问题,这些干扰因素主要包括道路附近树木、行驶车辆、建筑物的自身遮挡或阴影遮挡等。其次,高分辨率的遥感图像上的道路像素与非道路像素的数目差异过大容易直接导致模型的错误识别和较差的性能。针对上述这些问题,本文提出的方法和创新点如下:1)提出基于拓扑细化的道路自动提取方法,搭建带有扩张模块和信息模块的道路分割框架。其中,扩张模块可以在不需要损失分辨率和道路行列特征的前提下增大感受野,提取多尺度的特征;而信息模块可以有效地获取道路图像上行列像素间的空间关系和特征,保持道路的连通性信息。此外,使用组合损失约束模型的训练。提出的方法在Deep Globe Road数据集上比实验对比方法提升1.7%～6.3%的精度,在Massachusetts Road数据集上比实验对比方法提升1.8%～14.2%的精度。2)提出基于上下文特征和条带特征增强的道路自动提取方法,搭建带有注意力机制和细化网络的端到端的道路分割框架。其中,注意力机制用来在不同尺度的特征层上选择和强调有用的上下文信息;而细化网络中用并联的条纹池化和空间池化强化道路的条带形状特征。此外,使用道路像素频率作为权重来约束模型的训练损失函数。提出的方法在Deep Globe Road上比其他方法提升了0.23%～5.31%的精度,在Massachusetts Road上比其他方法提升了1.24%～4.75%的精度。本文模型深入研究了高分辨率遥感图像的复杂道路自动分割和提取的问题,提出了基于道路拓扑信息细化的方法和基于上下文特征和条带特征增强的方法来提取道路,并在两个非常具有挑战性的道路数据集上Deep Globe Road、Massachusetts Road分别进行了实验。对实验结果的分析证明了本文提出的道路提取方法在高分辨率的复杂道路数据场景下依旧能够提取到清晰度和连通性较好的道路。