数字道路信息是重要的基础性地理要素,更是我国基础地理信息的关键组成部分,数字道路信息的准确获取对交通管理、城市规划、道路监控、GPS导航以及地图更新等方面意义重大。目前,数字道路信息的获取途径主要有两个方面:GPS轨迹数据与遥感影像。遥感影像中的道路目标在空间、辐射、拓扑和纹理等方面特征显著,随着深度学习的普及,采用深度学习的方法从遥感影像中进行道路提取的方法成为了道路提取研究的主要研究方向。而GPS轨迹数据具有覆盖广、更新快、易采集、低成本、现势性强等优点,相比遥感影像中的道路容易受到树木、建筑等杂物遮挡,GPS轨迹数据能够很好的反映路网的结构与位置信息,对GPS轨迹数据进行栅格化处理后,道路网络清晰可见。因此,本文提出了一种利用深度学习工具基于GPS轨迹数据进行道路提取的方法。考虑到遥感影像与轨迹栅格图之间的互补性,本文还设计了三种将轨迹数据与遥感影像融合的道路提取方案。本文首先对轨迹数据特征进行了分析与提取,通过栅格化技术得到多幅轨迹特征栅格图,并结合道路矢量数据以及遥感影像,利用GeoServer快速构建深度学习所需的数据集。以数据集为基础,选择合适的卷积神经网络结构、损失函数对轨迹特征栅格图进行语义分割的学习,从中提取出道路、交叉口等结构。其次,将轨迹数据与遥感影像相结合,提出了三种不同道路提取方案:(1)将轨迹数据与遥感影像在数据层面进行融合,拼接成多通道图像,然后输入网络进行道路、交叉口信息的学习;(2)对于同一个网络,设计两种不同的编码器分别用来提取轨迹数据与遥感影像的特征,在解码器阶段将轨迹、遥感特征图进行融合,统一经过解码器进行图像复原,进而得到提取道路、交叉口信息;(3)设计两种不同的网络分别从轨迹栅格图与遥感影像中提取道路、交叉口,对提取出的结果进行加权求和或者取最大值的方法进行融合,得到最终的道路、交叉口提取结果。本文选取了武汉市三处区域,利用武汉市10天的出租车GPS轨迹数据以及区域的遥感影像进行了相关实验,对本文方法的有效性进行了验证。实验证明,利用深度学习工具基于GPS轨迹数据进行道路提取的方法能够得到较为完整的道路结构,将轨迹数据与遥感影像融合进行道路提取的方案也能有效提高道路提取的精确度。