This paper introduces an innovative automatic road‐vectorisation algorithm based on dynamic pixel clustering using particle swarm optimisation. A new cost function is designed to optimise the number and position of road keypoints and is capable of deriving road centrelines without considering geometric, spectral or topological characteristics in the road model. The algorithm is applied to different high‐resolution images ( IKONOS , QuickBird and aerial photographs) and is evaluated with respect to RMSE , correctness and completeness. Moreover, a new quality parameter is defined to evaluate a “kinking” effect in roads. Extraction of different road shapes with an acceptable precision in both urban and rural environments proves the efficiency of the algorithm in yielding complete road networks. Cet article propose un algorithme innovant de vectorisation automatique de routes basé sur l'optimisation par essaim particulaire. Une nouvelle fonction de coût est conçue pour optimiser le nombre et la position des points clés du réseau routier, et elle est capable de retrouver les axes des routes indépendamment de leurs caractéristiques géométriques, spectrales ou topologiques. L'algorithme est appliqué à différentes images à haute résolution ( IKONOS , QuickBird et des photographies aériennes), et évalué en termes d'écart moyen quadratique, de justesse et de complétude. De plus, un nouveau paramètre de qualité est défini pour identifier des irrégularités indésirables. La possibilité d'extraire avec une précision acceptable différentes formes de routes démontre la capacité de l'algorithme à fournir des réseaux routiers complets. Dieser Beitrag präsentiert einen automatischen Algorithmus zur Vektorisierung von Strassen. Der Algorithmus basiert auf dynamisches Clustering von Pixeln mit einer Partikel‐Schwarm‐Optimierung. Mit einer neu definierten Kostenfunktion werden die Anzahl und Position von markanten Straßenpunkten optimiert. Damit lassen sich die Mittellinien der Straßen ohne Einbeziehung geometrischer, spektraler oder topologischer Eigenschaften des Straßenmodels ableiten. Der Algorithmus wird auf verschiedene hochauflösende Bilddaten ( IKONOS , QuickBird und Luftbilder) angewandt, und hinsichtlich RMSE , Korrektheit und Vollständigkeit untersucht. Darüber hinaus wird ein neuer Qualitätsparameter definiert, um die Klankenbildung zu evaluieren. Die Extraktion verschiedener Straßenformen in urbanen und ländlichen Gebieten verbunden mit einer akzeptablen Präzision beweisen die Effizienz des Verfahrens zur Ableitung kompletter Straßennetzwerke. En este artículo se presenta un innovador algoritmo de vectorización automática de carreteras basado en la agrupación dinámica de píxeles mediante optimización por enjambre de partículas. Una nueva función de coste diseñada para optimizar el número y posición de los puntos clave de la carretera y es capaz de derivar líneas centrales de la carretera sin tener en cuenta las características geométricas, espectrales o topológicas del modelo de carretera. El algoritmo se aplica a diferentes imágenes de alta resolución ( IKONOS , QuickBird y fotografías aéreas) y se evalúa con respecto a RMSE , exactitud y completitud. Por otra parte, se define un nuevo parámetro de calidad para evaluar un efecto de “retorcimiento” en las carreteras. La extracción de las diferentes formas de carretera con una precisión aceptable, tanto en entornos urbanos y rurales, demuestra la eficiencia del algoritmo en la extracción de redes completas de carretera. 本文提出了一种基于粒子群优化动态像素聚类的道路自动矢量化算法。在该算法中,设计了一种优化道路关键点的个数和位置代价函数,在不考虑道路模型中几何、辐射和拓扑特性可获得道路中心线。该算法采用正确性和完整性评价条件下,可适用于不同高分辨率影像( IKONOS ,QuickBird,和航拍照片)。此外,该算法定义了一个新的质量参数来评价具有”扭结”效应的道路。在可接受精度条件下,利用本文的算法来提取城市和农村中不同形状的道路,可得到完整的道路网络,验证了本文算法的效率。