道路信息提取是遥感图像处理及解译等领域的一项重要工作,道路提取工作常受影像分辨率影响,且传统的道路提取技术往往难以实现自动化的道路提取。近几年航天技术的不断发展使得高分辨率遥感影像能够被更加快速、便捷的获取,并且由于其中有着许多丰富的、详细的、重要的地物信息,如果高分辨率遥感影像中的道路信息被高效、准确的提取并加以利用,将会对交通、生活等各方面产生重大影响。深度学习作为近几年进步最快也最有前途的技术,将其运用到高分辨率遥感影像的道路提取工作中,将会很大程度的提高道路提取的效果以及自动化程度,解决传统方法所存在的道路边缘粗糙、抗干扰性弱、提取精度低等问题。本文应用深度学习的方法对高分辨率遥感影像的道路提取问题进行研究,具体研究工作如下:1、研究和对比了三种基于深度学习网络的高分辨率遥感影像道路提取模型。本文基于马萨诸塞州道路数据集（Massachusetts Roads Dataset）,分别构建基于全卷积神经网络、U-Net网络、Deeplab v3网络的道路提取模型,通过对模型进行训练、验证、测试,得到基于三种不同深度学习网络的道路提取结果,这三种基于深度学习网络的道路提取模型均可以很好的实现道路自动提取,证实了深度学习技术在高分辨率遥感影像自动提取方面的可行性,此外,这三种方法各有优缺点,对不同背景下的道路信息有着不同的提取效果,综合来说,Deeplab v3不仅可以提取道路的多尺度特征,而且比较适合多场景下的道路自动提取,精确度达到了90%左右。2、改进了基于Deeplab v3网络的高分辨率遥感影像道路提取模型并与原始Deeplab v3道路提取模型进行对比研究。基于Deeplab v3网络的道路提取模型可以提取道路多尺度特征,因此考虑在Deeplab v3网络中引入注意力机制来提取道路深层高维特征。通过对改进后的Deeplab v3道路提取模型进行训练、验证、测试,发现结合注意力机制的Deeplab v3道路提取模型细化了道路的边缘特征,使得提取的道路信息更加全面、完整。通过与原始的Deeplab v3道路提取模型对比,精确度提升了约2.4%。