Extraer las vías férreas es crucial para crear mapas electrónicos de ferrocarriles. Los métodos tradicionales requieren una cantidad significativa de trabajo manual y recursos, mientras que las redes neuronales existentes tienen limitaciones en eficiencia y precisión. Para abordar estos desafíos, se propone un método de extracción de vías férreas utilizando un modelo mejorado DeepLabV3+, que incorpora varias mejoras clave. En primer lugar, la parte del codificador del método utiliza la red ligera MobileNetV3 como red de extracción de la columna vertebral para DeepLabV3+. En segundo lugar, la parte del decodificador adopta el operador de aumento de tamaño ligero y universal CARAFE para el aumento de tamaño. Por último, para abordar posibles errores de extracción, se aplican algoritmos morfológicos para optimizar los resultados de extracción. También se crea un conjunto de datos de segmentación de vías férreas dedicado para entrenar y evaluar el método propuesto. Los resultados experimentales demuestran que el modelo logra un rendimiento impresionante en el conjunto de datos de segmentación de vías férreas y en el conjunto de datos de DeepGlobe. Los puntajes de MIoU son del 88.93% y 84.72%, con valores de Recall del 89.02% y 86.96%. Además, la precisión general es del 97.69% y 94.84%. El tiempo de operación del algoritmo es aproximadamente un 5% menor que el de la red original. Además, el algoritmo morfológico elimina efectivamente errores como agujeros y manchas. Estos hallazgos indican la precisión, eficiencia y mejora del modelo gracias al algoritmo morfológico en la eliminación de errores.