近年来,高分辨率（Very High Resolution,简称VHR）遥感影像已经成为遥感影像分类任务的重要数据来源。面向对象的影像分类方法（Object-based Image Classification,简称OBIC）在VHR遥感影像中具有更优的分类效果,因此逐渐成为VHR遥感影像分类的标准范式。然而,由于OBIC方法的分类流程较为复杂,对于不同的分类任务需要有丰富经验的专家参与,因此OBIC方法无法高效的应用于各个行业之中。此外,随着遥感影像分辨率的提高,OBIC方法中的某些子流程暴露出一系列缺陷,这些缺陷让OBIC的分类效果变得更加的不确定。在此背景下,研究对当前OBIC现状进行了详细的总结和分析,并从OBIC的采样和分类流程切入,旨在有效结合机器学习中的主动学习和卷积神经网络（Convolutional Neural Networks,简称为CNN）技术为解决当前OBIC面临的难题提供新思路。针对OBIC采样流程,当前在OBIC中关于主动学习的研究主要集中于在机器学习领域对主动学习算法内部的改进,没有很好的将主动学习和OBIC的特有性质结合在一起,例如分割对象的分类不确定性。因此论文以分割对象的分类不确定性为基础,探索了分割对象分类不确定性对OBIC分类效果的影响,之后提出一种具有OBIC特色的采样策略。针对OBIC分类流程,论文以分割对象的不规则性质为基础,分别对CNN中的传统卷积神经网络（简称传统CNN）和全卷积神经网络（Fully Convolutional Network,简称FCN）在OBIC中的应用进行了探索,通过结合超像素技术,构建了一套完整的基于超像素和CNN的OBIC分类体系。论文主要研究内容与结论如下:（1）基于分类不确定性的面向对象采样策略优化研究系统评估了分割对象的分类不确定性对OBIC分类效果的影响,并得出分类不确定性的确能作为一种有效衡量分割对象之间差异的指标,从而预定义分割对象。基于此,论文使用分类不确定性对分割对象进行预定义,之后结合主动学习提出一种基于分类不确定性的主动学习采样策略,并对提出策略将在三个高分辨率影像中进行测试。实验结果表明,提出的策略有效提升OBIC的分类稳定性,并在样本量较大时提高了 OBIC总体分类精度。（2）基于传统CNN的不规则对象分类模式评估研究提出一种基于传统CNN的OBIC方法,让传统CNN具有端到端识别不规则分割对象的能力,之后论文从多个角度系统的评估传统CNN分类不规则分割对象的分类模式和分类效果。实验结果表明,传统CNN的分类模式是识别输入图像块中心区域的分割对象类别,并且中心区域对象的大小不会对识别精度造成影响。因此提出的方法虽然整体上大幅提升了 OBIC的分类效果,但存在一定的缺陷。（3）基于超像素和CNN的OBIC方法研究根据（2）中的评估结果,研究引入超像素的概念对基于传统CNN的OBIC方法进行了改进。之后针对当前FCN在遥感影像分类任务中存在的问题,论文同样结合超像素技术提出一种基于FCN的OBIC方法。该方法将FCN的分类模式从“图像块到图像块”转变为“图像块到对象”,以此有效耦合了 FCN和OBIC。本文对提出两种方法在OBIC框架中进行了实验和比较,最后借鉴集成学习的思想将两个方法融合起来,形成一套新颖的基于超像素和CNN的OBIC分类体系。