近年来，高分辨率遥感数据在各行业得到广泛的应用，不仅包括传统的国土资源、地质调查和测绘等部门，还涉及到城市规划、交通旅游和生态环境等领域。然而，面对海量的高分辨率遥感数据，如何能够准确、快速并智能地提取所需专题信息，并对其进行有效利用是当前面临的重要问题之一。由于高分辨率遥感影像自身的复杂性和多尺度特性，使得传统的基于像元的影像分类方法力不从心，而基于面向对象思想的影像分析方法弥补了其不足，并逐渐成为高分辨率遥感影像分类的主流方法。在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，主要做了以下方面的工作：(1)采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行初始分割。首先进行各向异性扩散滤波的预处理，然后提取多尺度形态学梯度特征，进而利用基于标记的分水岭算法进行分割，最后基于影像对象的光谱和形状异质性指标进行多尺度区域合并。该方法综合考虑了高分辨率遥感影像的复杂性以及多光谱、多尺度特性，使分割效果得到一定的改善。(2)引入文本分析中的词包模型进行遥感影像对象的特征表达，该方法通过将低层视觉特征表达成高层语义特征，实现对“语义鸿沟”的跨越。为了充分考虑遥感影像的尺度特性，在进行词包表示时，构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。(3)最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。该方法无需选择训练样本，属于非监督的分类方法。为了验证本文方法的有效性，分别选取高分辨率航空遥感影像、Quickbird影像和IKONOS影像进行分类实验。实验表明，本文方法的分类效果明显优于其它非监督分类方法，略好于有监督的基于对象的分类方法（以航空遥感影像为例，本文方法的总体分类精度为90.57%，基于像元的ISODATA聚类为42.45%，基于像元的SVM分类为76.83%，基于对象的ISODATA聚类为84.71%，基于对象的SVM分类为88.44%），并且对不同传感器的影像具有较好的适用性。