道路网是地理空间数据库的重要组成部分,是空间现象表达、空间信息服务以及空间分析与规划的基础,道路网模式识别在城市规划、市政管理、道路出行决策等领域扮演重要角色。传统上该问题的研究主要是基于几何计算和统计分析的方法,缺少有效的认知推理与智能决策手段,而道路网是一种复杂的空间网络,其模式的表达受认知主体的主观因素影响,需要针对其模式的特征做高度抽象的概括,不是通过确定的规则推理和指标计算就可得出的,这增加了解决该问题的难度。近年来,人工智能领域的深度学习技术,以其独特的学习能力在模拟人脑认知水平上取得飞速发展,在依赖于人类认知经验的问题上,通过样本训练在人脸识别、模式识别等领域取得突出效果。对道路网的模式识别同样依赖人类的认知,适合用深度学习解决,但道路网数据作为空间数据不能满足深度学习对数据规范性的要求。对此,本文引入一种用于处理图数据的图卷积神经网络（Graph convolutional network,GCN）,应用于解决道路网模式识别问题。本文的主要成果包括:（1）实现对道路网多模式混合的识别,将网格模式、放射模式、不规则模式等多种模式集成,提出道路网模式识别方法。目前,对道路网模式识别都是对单一模式的识别,用特定的方法针对性的提取路网的特征,例如识别网格模式就提取正交性,这样的方式缺少扩展性和迁移性,当有新的模式需要识别时,需要重新设计新的特征。本文基于格式塔原则,总结了道路网视觉认知参量,从视觉认知的角度提取道路网特征,该方法借鉴人的视觉认知过程,更接近人眼识别的原理,可以满足多种模式的混合识别的需要。（2）基于图结构分类的思想,实现基于GCN模型的智能化道路模式识别。该方法类似于图像分类,是对切割后整个道路样本进行分类识别,即对道路网样本进行图建模后,每个图节点相当于像素单元,图节点的特征相当于图像的RGB值,道路样本的分类类似于图像的分类识别。该方法将多种道路网模式在GCN模型中一次性分类识别,改变了过去一种特定模式需要针对性的用特定方法识别的策略。实验结果表明,该方法性能上优于梯度提升决策树、随机森林等机器学习方法,且该方法不需要人为的构建道路网样本的整体特征,只需要关注其图节点特征,是一种端到端（End to end）的方法。（3）基于图节点分类的决策,利用深度学习实现多尺度道路网模式的提取。道路网模式在不同的尺度下,有不同的表现形式,本文将模式定义为由一系列相邻单元组成的局部区域结构,即一系列相邻的图节点,通过对图节点分类的方式实现对道路段的分类,提取道路网的网格模式。实验表明该方法可以实现多个比例尺下网格模式的提取,且分类性能优于梯度提升决策树、随机森林等机器学习方法。本文基于视觉认知过程,总结了道路网视觉认知参量,并将其作为图卷积神经网络的输入值,实现了道路网模式的分类识别以及分割识别。基于实验分析和质量评价,两个模型的效果表现良好,对不同的模式具备足够的区分能力。