由于受复杂背景、噪声、光照等因素的影响，使得基于单一高分辨率遥感影像逐像元分类存在较为严重错分现象，且分类结果的破碎现象较为普遍，这些现象降低了分类的精度和效率，影响了高分辨率遥感信息自动提取的大范围应用。因此，本文将机载LiDAR数据引入到高分辨率遥感影像分类中，并用特征基元代替像元进行SVM分类，不但能充分发挥LiDAR数据和高分辨率遥感影像的各自优势，提高分类精度，而且也能在一定程度上改善逐像元分类的破碎现象。　　本文对基于特征基元的主被动遥感数据联合进行SVM分类中的特征基元提取、训练样本选取、SVM参数优化、联合分类技术流程等关键技术进行了较为深入的研究，取得的研究成果有：　　(1)将小波变换与均值漂移相结合，提出了纹理特征辅助的小波变换—均值漂移特征基元提取方法。该方法借助纹理特征的优势，充分利用各像元的光谱信息和像元间的空间关系，生成的特征基元的平均 OCE值为0.034，远小于均值漂移法的0.051，更好地保障了特征基元的匀质性。　　(2)对训练样本选取的数量和方法进行了研究和实验，结果表明基于特征基元分类时样本数达到6～8倍波段数目时分类精度就能达到较高水平，并进入一个稳定阶段，而基于像元分类则在24～30倍波段数时分类精度才达到较高的水平。　　(3)利用本文的分类方法对两个实验区的地物分类进行了综合实验，结果是基于特征基元分类的总体精度分别为97.08％和96.94%，Kappa系数分别为0.9573和0.9624，而基于像元分类的总体精度为94.93%和88.15%，Kappa系数为0.9252和0.85，前者的分类指标高于后者。表明本方法能有效地改善错分现象，提高分类精度，且对分类图的破碎现象起到了一定的抑制作用。