近年来,随着计算机科学技术的快速发展,图像分辨率逐渐增高,传统像素级的图像分割方法很难满足实时性要求。超像素是近年来兴起的一种图像预分割技术,它将图像分割成若干个具有同质性的区域,相比于传统像素级的图像分割技术,超像素分割技术不仅能够保留图像局部特征,而且可以提高后续算法的运算速度。目前,超像素分割技术已经被成功应用在图像中的目标检测与识别、图像语义分割、图像分类等多个方面,引起了学者们的广泛关注。因此,研究超像素分割算法对发展图像分割理论具有重要意义,且将超像素算法应用于遥感影像地物分类,对发展我国对地观测技术具有重要作用。尽管学者们当前已经提出诸多超像素分割算法,然而多数算法仍然存在边缘贴合度低、计算复杂度高、实际应用受限等问题。针对上述问题,本文研究了快速超像素图像分割算法,并将其应用于遥感影像分类中。主要研究工作总结如下:(1)面向图像超像素分割的简单线性迭代聚类(Simple LinearIterative Clustering,SLIC)算法在每次迭代后,超像素块中存在与聚类中心相似度较低的异常点,影响聚类中心的稳定,不利于轮廓贴合度的提升;此外,SLIC算法在聚类过程中存在冗余计算,会降低算法的运算速度。针对上述问题,提出一种基于快速SLIC的图像超像素算法。该算法首先将类簇内与聚类中心相似度较低的像素点剔除,并利用类簇内剩余的像素点更新聚类中心,从而加强聚类中心的稳定度,有利于提高超像素轮廓的命中率。其次,将每个超像素的边缘像素视为不稳定像素,将超像素的非边缘像素视为稳定像素并保持稳定像素的类别不变,通过对不稳定像素迭代标记以有效降低算法的计算复杂度。实验表明,与主流算法相比,该算法可以有效提高超像素轮廓贴合度的同时降低算法的运行时间。(2)将超像素算法应用于高分辨率遥感影像地物分类中,可以提升遥感影像的分类速度。但是多数基于超像素的遥感影像分类算法仍然存在计算复杂度较高、分类精度较低的问题。针对上述问题,提出一种基于快速超像素算法的多尺度卷积神经网络(Multi-scale Convolutional Neural Network,MCNN)模型。该模型首先利用快速超像素图像分割算法对图像进行预分割,并选择超像素块的中心点作为提取图像块的标记像素点,相比于传统滑动窗口选点法,大幅度减少冗余标记像素点的同时提高了后续分类算法的速度。其次,通过在超像素块中心点处提取多个不同尺度的图像块形成数据集,以减少单尺度引起的尺度效应对分类结果的影响,有利于分类准确度的提升。最后,构建一种多尺度卷积神经网络模型,该模型由多个通路的卷积神经网络组成,可以充分提取多尺度图像块的特征来解决复杂地物环境的分类问题,实现了遥感地物的精准分类。实验表明,与主流分类方法相比,该方法可以有效提高分类精度,减少分类时间。