遥感影像分类技术正在逐渐发展,然而其数据源获取效率低,成本高,数据量大等缺点使得当前遥感分类技术不能满足当前实物分类以及地物跟踪等的需求。无人机技术的快速发展,使得获取高分辨率影像数据越来越便利,具有时效性强、分辨率高和成本低等优点,弥补了使用传统方式获取遥感影像数据的不足。本文以提取桉树信息为例,针对无人机影像高精度,分辨率极高的特点,结合计算机在图像处理方面的发展研究,研究纹理特征的多种提取方法,选取灰度共生矩阵作为提取纹理特征值的方法,提取桉树与非桉树样本的相关值、对比值、能量值和同质性等纹理特征,对不同影响因子(图像大小、步距、方向)生成的灰度共生矩阵的进行试验对比,测试结果得出,桉树与非桉树相比,有着明显可分的纹理特征。研究彩色特征的多个色彩模型,最终选取Lab色彩模型作为影像色彩特征值。纹理特征值与色彩特征值将作为本文的基础数据,应用在分割方法与分类方法中。通过实验对比当前计算机领域的图像分割方法(边缘检测算子,直线提取法,阈值分割,分水岭算法、区域生长和分裂方法、超像素分割与DBSCAN聚类法),实验表明超像素分割结合DBSCAN聚类的分类方法精度更优,该方法依据图像的色彩特征值(Lab)与空间坐标把图像分割出不同的区域,这些区域有很清晰的边界,分割的结果更贴近每块地类的边缘,产生的图像噪声相比于其他分割方法大幅度减少。为了进一步识别桉树,本文研究分析了平行六面体等6种监督分类方法,本文提出的结合超像素分割和支持向量机的分类识别方法,根据超像素图像分割获得的分割区域,提出以质心点为中心提取桉树多个特征值作为分类数据进行分类。使用上述的6种方法以及本文方法,使用同一幅测试图像进行桉树识别,对得到的实验结果进行定量评价。结果表明,本文方法所得到的分类结果对比其余6种分类方法,精度显著提高,并消除超像素分割方法产生的噪声,经过实验的对比分析,本文方法的桉树分类结果更准确。最后,本文对提出的桉树识别分类方法进行了基于GIS平台的实现。首先研究自动分类流程,针对本文的分类方法设计了模型框架、分类程序的流程及数据对象关系,通过编程方法在基于ArcGIS平台上实现桉树的自动分类原型插件。本文提出先分割后分类的自动分类识别方法能够有效地对桉树进行识别分类,针对目前难以区分的地物提供了一种新的分类思路,为无人机高分影像分类识别的发展提供良好的参考价值。