高分辨率遥感影像包含丰富的地物信息,从中获取道路材质、宽度、等级等信息,建立并定期更新道路信息库,为交通管制、灾害应急提供可靠的信息具有重要的实用意义。受遥感影像数据量大、种类多的影响,自动从遥感影像中提取路网是一个很有挑战性的工作,而且受地形地貌的影响同等级道路在影像上表现出的亮度值是不同的,传统的遥感影像目标识别难以适应海量的遥感影像数据。近年来,深度学习技术快速发展,在目标检与识别方面的成果有目共睹,其核心算法卷积神经网络是非常崭新和有影响力的,该方法需要构建具有很多隐层的机器学习模型和分析海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。本文利用卷积神经网络对影像像素进行分类,再通过道路的拓扑特征对分类结果进行优化,最后与遥感影像面向对象的分类方法进行对比。实验结果表明该方法在道路提取方面具有较高的精度。