中国是全球茶叶种植和生产大国,茶园不断扩张带来经济效益,也造成土壤侵蚀等生态问题。茶园是农业生态系统的重要组成部分,但对其的监控却不及农田,因此,能及时准确地获取茶园空间分布信息是农业生产、土壤治理决策以及茶园生态建设的重要依据^[1]。茶园的种植改变了土壤表面光谱特性和空间结构,因而仅依靠地物反射光谱特征难以准确识别茶园。高分辨率遥感影像数据可以捕捉空间细节信息,对于茶园这类具有明显纹理结构的地物,使用纹理特征能有效提高其识别精度,但目前的纹理提取算法针对性强,难以满足对纹理类型复杂的纹理影像识别要求^[2]。虽然机器学习和深度学习方法在地物识别和分类中取得了精度的突破,但方法复杂、运算耗时,并且需要大量的训练样本,而在这一背景下训练得到的分类器往往不具备可移植性。针对这些问题,本文以云南省澜沧茶园种植区为例,采用一种高分遥感影像纹理模式提取与增强算法,实现基于面向对象的非参数化茶园识别方法,实现最小代价的快速、高精度茶园识别,本研究可以总结为以下三个方面:（1）实现了基于空间点模式分析茶园纹理增强算法Worldview-2影像数据的空间纹理特征能弥补光谱特征的局限,提高茶园识别精度,但对于纹理类型多样化的复杂纹理影像,仅使用纹理特征无法准确区分不同纹理结构的地物,针对这个问题,本文提出纹理特征空间模式增强方法,探究纹理结构的空间分布模式。结果显示,研究区中茶园呈聚集分布模式,其他类别呈均匀分布模式或随机分布模式。使用可分性评价LBP纹理特征及ICS特征区分茶园与背景的能力,ICS特征的茶园与背景特征均值距离为0.17,较于LBP纹理提取结果增加了0.11,因此,基于纹理特征影像的空间点模式分析方法能刻画茶园细节信息,增加茶园与其他地类的区分度。（2）实现了基于纹理模式的面向对象非参数化茶园识别方法机器学习和深度学习识别方法计算代价高,学习过程需要大量训练样本的条件难以满足。为解决这个问题,本文针对纹理影像中不同纹理结构空间分布模式的差异,提出一种非参数化纹理强度茶园识别方法。该方法中设置同心双窗口检测ICS特征中呈现均匀或混合分布模式的特征值,并将其消去,保留聚集分布的特征集,即为茶园,结果显示:当同心双窗口的内窗设置为3、外窗设置为17时,识别精度最佳:总体精度为92.90%,Kappa系数为0.81,实现了茶园快速、高精度识别。（3）通过分析不同特征提取算法对茶园识别的适用性,提出一种基于机器学习的面向对象特征组合茶园识别方法,并对比不同识别方法的特点及适用范围。面向对象的茶园识别中,不同算法提取的特征对提高茶园识别精度的贡献不同,本文对比常用的GLCM、PSI、LBP纹理特征提取算法,LBP纹理特征结合光谱特征的识别精度更高:总体精度为91.68%,Kappa系数为0.81。同时,探究ICS特征在机器学习识别方法中的适用性,结果显示,ICS特征组合地物光谱特征的茶园识别,较LBP特征识别的总体精度提升了2.18个百分点,Kappa系数提升了0.05。针对视觉可分性差、边界模糊纹理影像,单一的纹理特征提取方法难以达到理想效果的问题,本文使用GLCM、PSI、LBP和ICS提取特征探究特征组合对目标地物识别的贡献,结果显示,光谱特征结合GLCM、PSI、LBP和ICS四种特征时,识别精度达到最佳,总体精度达到96.89%,Kappa系数为0.93,实现了茶园的精细、高精度识别。对比两种识别方法体系,机器学习识别精度优于纹理强度识别精度（总体精度高了3.99个百分点,Kappa系数高了0.12）,但对于无法获取满足条件的样本数量,需要以最小代价快速识别茶园的情况,使用本文提出的纹理强度识别算法更适合。