هدف اصلی این تحقیق، بررسی الگوریتم‏های استخراج راه از تصاویر راداری و نوری و نشان دادن پتانسیل بالای استفاده توأمان از این دو منبع جهت استخراج راه و همچنین ارائه طبقه بندی کننده‏ی مناسب برای تلفیق این دو منبع به منظور رفع نواقص الگوریتم‏‏های استخراج راه از داده‏‏های تک منبعی و بهبود نتایج کشف راه می‏باشد. به منظور دستیابی به این هدف، از تصویر نوری آیکونوس و تصویر راداری terrasar_xبا حد تفکیک مکانی 1 متر در منطقه‏ای با بافت پیچیده شهری واقع در شهر شیراز استفاده گردید. در تحقیق حاضر شبکه‏‏های عصبی با هدف کشف راه مورد استفاده قرار گرفته‏اند. یکی از مراحل مهم تحقیق به استخراج راه به طور مجزااز هر یک از منابع راداری و نوری اختصاص می‏یابد که با هدف مقایسه بین دو منبع و کشف نقاط قوت و ضعف هر یک از این تصاویر در کشف عارضه راه انجام می‏پذیرد. پس از انجام پیش‏پردازش‏های لازم و هم‏مرجع سازی میان دو تصویر، پارامترهای بافت از هر یک از تصاویر استخراج گردیده و به عنوان بردار ورودی به شبکه عصبی معرفی می‏گردد و پس از طراحی ساختار بهینه شبکه عصبی توسط داده‏‏های آموزشی، آموزش می‏یابد و برای سایر پیکسل‏‏ها فراخوانی می‏گردد. پس از مقایسه بین دو منبع تصویری و مشخص شدن نقاط قوت و ضعف هر یک در استخراج راه، در مرحله بعد استراتژی‏هایی برای تلفیق دو منبع به منظور بهره‏گیری از مزایا و ویژگی‏های مکمل دو منبع و رفع نواقص موجود، ارائه و پیاده سازی می‏گردد. این استراتژی‏ها شامل دو روش تلفیق به کمک شبکه عصبی و تلفیق دانش پایه می‏باشد. در روش اول خروجی شبکه عصبی هر یک از منابع به همراه سه باند طیفی تصویر نوری توسط شبکه عصبی سوم تلفیق می‏گردد و در روش دوم از دانش کارشناسی برای تلفیق خروجی دو شبکه عصبی اول بهره‏جویی می‏شود. بدین ترتیب که با استفاده از فیلترهایی الگوریتم هوشمندتر شده و تصمیم‏گیری در مورد ماهیت پیکسلمورد نظر را بر اساس این فیلترها انجام می‏دهد. که نتایج حاصل نشان دهنده موفقیت این دو استراتژی در بهبود دقت الگوریتم‏های تک منبعی در مناطق با بافت پیچیده شهری می‏باشد. با پیاده‏سازی روش‏های فوق بر روی تصاویر و برآورد پارامترهای مختلف ارزیابی دقت، افزایش پارامتر rcc تا مرز 80 درصد و پارامترbccتا 93 درصد و بهبود پارامترrmseکارائی روش‏های پیشنهادی در این تحقیق را به اثبات رسانده است.