高效、准确地从卫星影像中自动获取道路信息是计算机视觉与信息工程研究领域的热点问题之一。以往对卫星影像中道路网的提取主要专注于线状特征的提取,有关道路宽度估计方法的研究却并不多见。本文针对高分辨率卫星影像中道路宽度估计问题展开深入研究,根据道路宽度特征提出宽度描述符,并结合卷积神经网络,提出了一种新颖的道路宽度估计方法。本文的主要工作包括:首先,在道路宽度估计过程中需要对道路区域进行定位,本文研究并实现了基于ADSM的道路网提取算法。该算法依据人类对显著结构的认知原理提出了局部导向结构检测模型,结合直线段检测算法可以很好的提取出卫星影像中的道路网,最后利用细化算法得到道路网中心线。本文对该算法进行了实现,并在卫星影像上进行了大规模测试,取得了与原算法同等水平的道路网提取结果。其次,本文根据高分辨率卫星影像中道路的特征提出了道路宽度描述符,并将卷积神经网络引入到宽度估计过程。由于道路像素的光谱表现与非道路像素不同,并且局部区域内不同宽度道路的像素值分布不同,本文提出了道路宽度描述符来对道路的宽度信息进行预提取。随后这些宽度描述符被用来训练一个卷积神经网络模型,借助于该模型可以得到道路块属于每一宽度类别的概率。最后,基于道路块自身宽度信息以及空间一致性,本文提出了宽度估计能量函数。对于每一道路块,可以利用图割算法求得一个宽度类别使得该能量函数最小,该宽度类别即为道路块的宽度类别。与简单的将最大概率值对应的宽度类别作为道路块宽度类别的策略相比,使用能量函数能获得更平滑的道路宽度估计结果。本文使用了 Pleiades-1A、Gaofen2以及GeoEye卫星影像等不同传感器数据对算法进行了测试,并在韶山市卫星影像上进行了大规模测试,取得了 85%以上的道路宽度估计准确率。测试结果表明,本文的研究工作能够有效的对高分辨率卫星影像中的道路宽度进行估计。