林地资源对于生态平衡、气候变化、生物多样性、人类的生产生活等都具有重大的影响作用。精准的掌握林地资源的分布和范围,对国家进一步制定相关经济和环境效益政策有着重要的指导作用。随着我国高分辨率对地观测系统重大专项的开展,利用高分遥感影像进行自然资源管理逐渐成为主要的技术手段之一。然而,包含丰富空间细节信息和结构信息的高分影像同时拥有更加复杂的光谱特征,光谱异构性的变化、类别之间与类内之间的差异化、使得高分影像中的信息提取难度显著增加。基于低层特征学习的传统机器学习算法在处理高分影像数据时,由于其分类器自身的原因,在面对丰富的细节信息时,无法准确的对其进行抽象化表达,使得分类的效果和分类精度显著的降低。如何精确高效的利用高分影像中包含的丰富信息成为遥感影像信息提取的关键。在自然状态下,林地类型的分布相对比较复杂,同一片区域存在不同的林地类型,呈现在高分影像中的光谱特征将会更具差异化。基于像元的林地类型判定势必无法摆脱椒盐现象带来的影响。因此,针对高分遥感影像林地信息提取所面临的挑战,本文提出合分层分类策略及面向对像卷积神经网路的特征学习及分类方法用于林地类型的判定。本文的工作和成果如下:(1)不同于全要素土地覆盖分类,本文从林地的自然属性角度出发,运用分层分类策略实现林地信息的提取。首先,在研究区范围内进行植被区域提取,再从植被区域实现林地类型的判别。实验结果表明分层分类策略一定程度上避免了尺度选择的复杂性并提高了最终的林地提取效率。(2)针对像元分类所带来椒盐噪声问题,本文将面向对象方法与具有多层特征学习能力的CNN相结合用于林地信息的判别。面向对象的影像分析方法不仅可以避免像元分类中出现的椒盐噪声现象,同时可以避免高分遥感影像中出现的光谱异构性问题。此外,CNN可以挖掘出高分辨率遥感影像中的中高层抽象特征信息,两者的结合可以进一步提高林地分类的准确率。本文提出的方法林地提取的整体精度约为0.92。同时,与不同分割方法(超像素SEEDS分割方法)和传统的机器学习方法随机森林进行了实验对比,结果表明本文的方法在整体精度上较SEEDS-CNN方法提高了约1%,对比随机森林方法,提高了约10%,并且提取的林地更加完整,椒盐现象较少。此外,针对高分影像的林地亚类提取,本文提出的方法具有更高的鲁棒性。