对遥感卫星图像中道路的准确提取不仅可以为道路规划、区域建筑设计等城市建设规划提供切实的参考,也可以为军事测绘、灾害评估等提供支持。利用图像处理、机器学习和深度学习方法对遥感图像中的道路进行自动化提取是当前的热门研究领域。近期的研究成果表明,采用深度卷积神经网络对遥感卫星图像进行道路提取,效果明显优于经典方法。但同在道路识别中也存在道路中断、道路边缘粗糙等问题。这些问题导致道路提取结果不能直接用于空间决策和分析,需要消耗人力资源来进行道路修复与补全。随着基础语义分割技术的进步,新的网络结构能在目标识别中提供更加精细的边缘。本文将基础语义分割领域的部分成果在道路识别提取问题上进行了尝试,设计出了一套自动化的道路与道路骨骼提取的算法。同时,针对道路中断等问题设计并实现了一个端到端的自动化道路与道路骨骼提取流程。本文的工作主要集中于三个方面。首先论证了语义识别中膨胀卷积、深度可分离卷积等新技术在遥感卫星影像道路提取中的有效性,分析了Deep Lab V3+模型在较为简单问题上的性能变化;并对其架构进行了改进,使其能更好的处理道路提取问题。其次,对Cas Net采用级联网络依次提取道路和道路中心线的神经网络框架进行改进,通过实验测试了级联、并联和共享参数等可能的双网络连接方法的效果;最终选择级联作为最终的网络结构设计,进一步提高了道路识别质量和道路中心线识别效果。最后,针对识别结果中出现的道路中断和提取的道路边缘粗糙等问题,采用形态学方法进行修复,利用最终修复和识别结果产生了更加光滑和连通的矢量路网,方便道路提取数据用于进一步的道路规划等决策。为验证算法的有效性,本文算法在2018年CVPR的Deep Globe Road Extraction比赛数据集上与其他热门算法进行了对比,表明本方法很大程度上提高了道路提取的准确率,道路提取的m IOU指数达到了85%以上,同时在边缘m IOU指数上也有更好的表现。采用本文算法提取的道路骨骼相比其他方法产生更少的毛刺与更光滑的道路中心线曲线。产生的矢量路网为接下来的测绘应用提供较好的数据支持,极大的节约了人力物力成本。