随遥感影像分辨率的提高，遥感影像中包含的信息越来越丰富，除遥感本身的光谱信息外，还包含了大量的形状信息和纹理信息等空间信息特征。传统以像元为单位的分类方法主要是利用影像的光谱信息，对于中低分辨率的数据分类效果较好。但这种分类方法不能充分的利用影像中的其他纹理等信息，不能很好的适应当今遥感数据的发展和人们对于分类的精度要求。在这种背景下，面向对象的分类方法应运而生。本文以SPOT数据为数据源，对面向对象的遥感影像分类方法进行了较深入研究，并在此基础上以黑龙江省拜泉县为例，分别采用基于像元的分类和面向对象的分类方法进行分类，并对两种分类结果分别进行定性和定量的比较。主要研究内容及方法如下：（1）基于传统像元分类中综合的应用非监督分类ISODATA和监督分类最大似然法进行分类。即首先利用非监督分类获得一个初始的按照光谱相似性分类的光谱集群组，以此结果为标准，在影像上为每类地物选取一定数量的训练样本进行最大似然法的监督分类。在选取样本时，结合解译标识表进行准确的选取。对分类后的初始结果进行分类后处理得到优化结果。（2）在面向对象的分类方法中，首先对影像进行分割。不同的地物具有相应的最佳尺度，本文中通过多次的尺度分割试验结合目视方法确定多尺度分割中每层的最佳尺度及适合提取的地物（3）分类时选取模糊分类法，主要包含了两种分类器：隶属函数和最邻近分类。其中隶属函数也就是模糊规则分类适合于仅用一个或者几个特征就可以与其他地物进行分类的地物。最邻近分类法适用于通过少量参数难以与周围地物区分的地物。在最邻近分类时要选取包含波段光谱值、纹理特征等信息构成多维特征空间，本文中采用定量的方法获得包含NDVI、Mean Layer、Shape Index等七个特征的最优空间。（4）对两种分类得到的结果分别进行定性和定量的精度评价与比较。从视觉方面看，利用传统像素方法获得的图像较为破碎，存在“椒盐”，而面向对象获得的分类结果图类别间连续性强，更符合实际。从定量精度评价来看，基于像元方法总体精度为66.83%，Kappa系数为0.6128；利用面向对象分类方法获得的分类精度是88.00%，要比基于像元方法的总体精度（66.83%）提高21.2%，Kappa系数为0.858要比基于像元方法的Kappa系数（0.6128）提高0.247。表明面向对象分类方法能有效的改善分类效果，提高分类精度。