随着遥感对地观测技术的迅猛发展,为地表覆盖分类研究提供的遥感影像数据空间分辨率更高、光谱信息更加丰富、时相资源更加完备。仅靠传统的基于像素的分类技术已经无法满足高分影像处理的需求。面向对象分析思想的出现对于解决影像分类中“椒盐噪声”、“同谱异物”和“同物异谱”等问题产生了积极的作用。如何利用影像对象丰富的特征信息并进一步提高分类精度,是目前处理高分辨率影像的热门问题。本文结合以上问题,展开了面向对象的光学遥感影像特征提取与分类的研究,首先对预处理后的高分影像进行面向对象的分割,得到均匀度较高的多个像素连通区域的影像对象。然后依据分割后的影像对象进行特征库的构建,进而对该特征库进行特征提取,最后利用分类器集成进行影像对象分类,根据其分类精度进行迭代研究分析。本文具体研究工作如下:一是为了解决过分割现象导致的影像对象几何特征的丢失问题,提出了一种梯度重构与迭代极小值标定的分水岭分割算法。一是,利用Sobel算子进行梯度运算时,考虑到遥感影像多波段的问题,以及波段间信息量差异,进而引入各波段熵值,利用每个波段的熵值在全波段的比率作为梯度权重,进而重构梯度;二是,对区域合并极小值阈值标定的改进,通过前后景标定后,代入前景均值与后景均值的迭代计算,获得极小值阈值,完成影像分割。经过结果对比分析,本文提供的方法分割结果较为理想,较好地解决过分割的同时,也尽可能地保证了地物的边缘信息,能够更好的支持后续的地物对象分析与检测。二是针对于目前集成分类技术多以同态集成分类为主,不能有效结合不同种类的分类器问题,提出了一种基分类器加权重构的层叠泛化模型。首先还是把训练集等分,利用交叉验证的方法组合训练集和测试集,对构建的多个分类算法进行训练,进而产生多个分类器模型,与此同时根据交叉验证时候的精度确认权值,剔除精度差异性过大的数值,然后取均值,所有基分类器获取正确均值后,每个基分类器的均值与总体均值之和的比值,即为该基分类器的权重,然后将输出的分类结果和对应的权重作为新的训练数据,对分类算法进行训练,产生一个元分类器,然后利用全部训练集对多个分类器进行训练,得到基分类器,进而形成基分类器加权重构的层叠泛化模型。最后,利用重构的层叠泛化模型对影像对象分类。对比分析相关分类算法和重构前的层叠泛化模型的分类结果,发现重构后的层叠泛化模型更大程度地利用了各个分类算法的优势,无论是从总体精度(OA)还是Kappa系数,均一定程度上提高了分类精度。遥感影像地物覆盖分类问题是一个较为庞大而又繁琐的任务,面向对象的分类思想为其开辟了新的分类道路。影像分割、特征提取和分类器选取一直是面向对象遥感影像分类的必要步骤,本文分别从影像分割和影像对象分类两个主要环节展开研究,所做工作对遥感影像地物覆盖分类研究具有较高的参考意义。