道路作为城市的重要部分,改变了城市下垫面的组成。在城市化的进程中,城市道路建设事业得以快速发展,道路网越来越完善,故道路的覆盖范围大幅增加。反过来,道路空间格局也可以反映城镇化的程度,在城市化的研究中有着重要的作用。高速发展的道路交通在为人类提供了便利的同时,对城市的生态环境也产生了影响,如对地形地貌、土地覆盖等都产生了或多或少的影响。因此,监测城市道路的变化特征,对城市化和环境研究都具有重要的现实意义。遥感领域中的技术日新月异,其影像质量不断提高的同时影像更新速度也在加快,获取方式越来越多,高分辨率遥感影像的道路提取已成为遥感领域里一个前沿的研究方向。针对现有遥感影像道路信息提取方法中存在的精度低、效率差等问题,本文基于国产高分2号遥感影像数据,提出了深度学习道路智能提取方法。网络是以Res Net和U-net网络框架为主体结构,编码部分主要由四个残差块组成,抽取不同尺度的目标特征,增强了感知全局语义特征的能力;解码部分有四个残差块,通过上采样恢复由编码器中下采样操作生成的特征图的分辨率,再与编码部分中分辨率相同的低级特征进行跳跃连接;最后,网络输出会得到与输入影像同样大小的分割图。本研究利用构建的语义分割网络模型对合肥市瑶海区多时序高分遥感影像中的道路网进行提取,对提取结果的形状、道路网密度和可达性进行分析,研究瑶海区城市道路的时空变化特征,实现道路监测,为城市发展规划提供一定的数据支持。本文的重要成果如下:1、根据道路影像特征建立道路遥感解译标志,构建国产高分遥感影像道路样本库。因为受到全卷积神经网络结构和复杂背景的影响,导致传统深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,使得提取结果存在许多错误提取情况。基于此,本研究提出了两种改进的道路提取语义分割网络模型,提取语义特征,增强目标局部信息,提高模型方法的抗干扰能力和实用性。2、由实验结果可知,本文方法提取结果基本接近目视解译结果,可以满足一般遥感道路信息提取的精度需求。定量评价实验表明:DGRN和RCA的提取结果分别在交并比达到80.29%和84.54%,召回率达到88.05%和91.21%,综合评价指标达到89.04%和91.60%,相比于U-net、D-LinkNet、DeeplabV3+等经典的深度学习模型方法均有较明显的提升。此外本文方法表现出常规遥感方法所不具备的普适性优势,表明本文方法在一定程度上突破常规遥感方法在遥感影像传感器、空间分辨率、位置等因素上的限制。3、为了验证研究方法的实际应用,对研究区的多时序高分遥感影像进行道路网的提取,获取道路面积和长度信息研究道路的整体变化趋势,并进一步计算道路网的密度和可达性,分析其细节变化特征。通过从合肥市瑶海区道路面积、长度两方面统计与分析得出:总体在年际上,合肥瑶海区道路格局总体没有发生太大的变化,但是覆盖范围却在逐年稳步增加,2015年到2016年,瑶海区道路面积和长度分别增长了0.98平方千米和21.81千米,2016年至2017年,道路面积和长度分别增加了0.46平方千米和24.69千米,2017年至2019年,道路面积和长度分别增加了1.82平方千米和71.78千米,道路逐渐向北方向和东方向蔓延,尤其是东部地区道路产生了极大的改变;在空间分布上分析,瑶海区道路整体呈现网格状,主要分布在中部偏南,而且分布得非常密集。这与瑶海区道路网密度和可达性实验结果相同,瑶海区道路网密度大的地区主要分布在中部偏南地区,可达性中等的地区同样主要分布在中部地区。