遥感技术的发展，使我们能够获得极其丰富的信息，尤其是近年来高分辨率遥感影像的出现更扩大了人们对自然界观察的视野。与中低分辨率的遥感影像相比，QuickBird和IKONOS等高分辨率遥感影像具有更加丰富的结构信息和纹理信息。对于高分辨率遥感影像来说，利用单一的传统的基于像元光谱信息的分类方法不但会导致分类精度降低，而且也会造成空间数据大量冗余和资源浪费。在对传统的基于像元的分类方法分析的基础上，把一种新的信息提取方法——面向对象的信息提取方法引入到高分辨率遥感影像信息提取中，影像分割和信息提取是这种方法的两个关键步骤。本文在前人研究的基础上，提出了一种最优尺度选择方法——目标函数法，并与最大面积法相结合，构建了分割层次网络结构，并以QuickBird和IKONOS高分辨率遥感影像为信息源进行了实验。本文所做的工作如下：1)多尺度影像分割，需要用户输入适当的参数来得到较好的分割结果。针对此，本文提出了一种目标函数法来对分割结果质量进行评价，以得到最优的影像分割结果。目标函数法的目标是：使影像对象内部同质性和影像对象之间异质性尽量最大化。其中，同质性保证影像对象的纯度，异质性保证影像对象的可分性。2)针对研究区域特征，本文采用决策树分析的方法为研究区域内的相应类别选择了合理的特征，并根据决策树分析过程建立了相应的分类体系，取得较高精度的信息提取结果。3)对面向对象信息提取方法和基于像元分类方法进行了综合比较：(1)理论上的比较；(2)目视效果比较；(3)分类精度比较。