随着空间科学技术和遥感信息技术的快速发展,新型的传感器不断涌现,获取的遥感影像数据的质量也越来越高,高分辨率的遥感影像数据在诸如数字城市建设、矿产资源勘查、土地利用分类及变化检测、航空、测绘、国防军事和精密农业等多个学科和生产领域的使用越来越广泛,航空遥感信息技术也得到了空前的发展与关注,充分处理与分析遥感影像数据以获取对人类有用的信息是目前研究的热门课题,其重要的一个环节就是针对遥感影像进行分类,本文主要研究的内容是针对高分辨率的遥感影像采用面向对象的分类思想进行影像的分类。目前比较成熟的遥感影像的分类技术就是基于像素的光谱统计的分类方法,常见的分法分为监督分类法和非监督分类这两大类的方法,本文分别讨论了常用的K-Means均值聚类算法、最小距离法、B P神经网络和支持向量(SVM)机等这几种常见的遥感影像分类的方法。基于像素的分类方法仅利用了像素单一的光谱特征信息,对于含有较少光谱特征信息的高分影像的分类精度较低。为解决上述的问题针对高分影像数据的特征,本文采取了面向对象的分类技术,核心步骤包括了图像分割和图像分类,第一步图像分割的结果直接决定了影像分类的精度的高低,分割是基于区域的异质性和同质性的准则,利用基于区域增长的多尺度分割技术将影像分割成一个个同质的影像对象单元,第二步是在影像分割的基础上进行对象特征的选择和提取,再通过模糊的分类方法和KNN最邻近分类方法进行图像的分类,面向对象的分类技术思想是充分地利用了高分影像数据丰富的光谱信息、形状和纹理特征等空间几何信息,克服了“椒盐”现象的产生,有效减小了“同质异谱”及“异质同谱”现象所产生的影响,提高了遥感影像分类的精度。