城市是一个复杂的人文与自然的复合系统，是人口、资源、环境和社会经济要素高度密集的综合体。城市用地是城市居民生活的基本空间，是城市各种经济活动的场所，也是影响周围地区发展的经济辐射源和社会经济信息反馈交流的中心。随着工业化的迅速发展和城市化进程的加快，导致人口的进一步集聚，使城市用地需求增加，城市土地利用中的矛盾更趋紧张，这促使城市的管理者和决策者寻求现代化的方法和技术为城市的发展提供辅助决策和决策的信息支撑。 自1972年发射第一颗地球资源卫星(即Landsat-1)以来，遥感技术在世界各国得到了广泛的应用。尤其是近年来，随着遥感技术、对地观测技术以及成像光谱仪技术等技术的飞速发展使得人们可以获得粗、细、精空间分辨率互补；长、中、短时间分辨率互补的遥感数据。这些多源、多量、多类、多维和多应用主题特征的海量的城市遥感信息，为人们研究城市用地的可持续发展创造了空前的有利条件，提供了大量宏观的第一手数据。然而，这些数据和影像还不是信息，它只是多种“信息”与“噪音”的混合载体，是一种信息源，只有通过对这些影像数据的进一步处理、分析与信息提取，才能把通过遥感技术获得的遥感数据和影像转化为有用的信息，进而从这些信息中提炼出珍贵的知识，来指导科学决策。这样，才能够完成遥感的全部使命，使遥感这门高科技真正造福于人类(戴昌达，2002)。正如，美国前副总统阿·戈尔所说，尽管人们对此信息的需求很大，但其中绝大部分数据从未被使用过。究其原因，一方面，由于城市遥感信息的复杂性和不确定性，以及遥感影像层次特征的随机性和非线性，给城市遥感数据的处理和遥感影像的提取工作带来了很多困难；另一方面，是我们缺少遥感专题信息提取的方法和模型。因此，如何快速准确从这些极为复杂的庞大的数据海洋中获得对人们有用的信息，如何提高城市用地信息分类与提取的效率，使计算机信息处理系统具有较高的自动化程度，并具有一定的自适应性和主动性，不仅是遥感影像自动解译、地理信息系统、“数字城市”、“数字地球”建设的一个重要方面，而且也是城市遥感领域应用所面临的一个亟待解决的重大问题。 本文主要以提高城市遥感信息分类和提取的效率，使计算机信息处理系统具有较高的自动化程度，并具有一定的自适应性和主动性为目的，利用面向对象的方法，针对城市用地不同空间特征和特征组合，提出基于多特征的遥感信息分类和提取模型，在数学形态学、数据融合以及人工智能等理论的指导下，综合数理统计、神经计算等人工智能理论技术和地学信息分析模型，建立城市用地空间信息及知识的获取、表达、分析等机制，模拟地学领域专家对城市用地遥感信息的认识、解译、信息提取、分类、决策等综合地学分析以及空间决策过程，完成遥感影像城市用地信息的自动提取。本文的具体研究内容包括： 1.利用面向对象的思想，把城市用地划分为不同尺度的分类层次，构成一个层状网络结构。在此层状网络结构中，城市用地的不同用地类型为不同的“类”，每一具体城市用地为一“对象”，即具体研究对象，其中包括城市道路、建筑物、林地、耕地、水体。每一“对象”有多个“特征”，通过对“对象”的光谱特征、形状特征、纹理特征和相邻关系特征等的分析与描述。 2.通过分析城市用地遥感调查的必要性和主要技术流程，以及城市遥感调查的具体内容，针对遥感调查所获取的遥感影像的复杂性和不确定性，引入影像理解的思想，分析研究地理空间与影像空间的描述、转换，揭示了地物、成像、信息提取的关系，进一步揭示了地理空间与影像空间的关系，从而建立了城市用地遥感影像理解机制，为建立基于多特征的遥感影像信息提取模型奠定了理论基础。 3.根据影像提取的目的，对试验区的不同平台、不同分辨率、不同特征的遥感影像进行基础处理，包括影像增强、几何纠正、对比度扩展、滤波和色调调整、主成分分析、信息复合等，使遥感信息尽可能按照目的保存和充分显示，提供一幅对比度高、信息丰富、彩色鲜明、的清晰影像，为影像的视觉认知提供数据。 4.实验证明，人们可以很容易在遥感影像上识别出每一个具体的对象，这是因为人们可以综合利用“对象”的多个特征进行认知，其认知过程包括自下向上的信息获取、特征提取与识别证据积累过程和自上向下的特征匹配、提出假设与目标辨识过程。因此，根据人类视觉感知的原理与机器视觉理论，总结遥感影像的人工目视解译和计算机影像处理的过程和方法，在此研究基础上，建立遥感信息视觉认知模型，包括对遗传算法的视觉仿真功能的分析，及其在遥感地学分析中如何通过融合知识来获得对影像的认知过程，初步实现智能化、自动化的遥感影像认知。 5.通过融合不同平台、不同时相、不同空间分辨率的遥感信息，对城市用地遥感影像的光谱特征、空间特征、地学特征、时相特征等遥感影像特征进行研究和分析，建立遥感信息特征表达模型，完成遥感影像信息提取多特征的定量化分析和表达，模拟领域专家实现遥感信息的获取、表达、存储、判断、分析、决策等机制。 6.在以上分析的基础上，总结遥感影像中蕴涵的地学属性和地学规律，从空间、波谱、地学等几个特性对遥感影像进行描述和分析，初步研究遥感影像的复杂性和不确定性，分析传统的遥感数理统计分析模型，并对各自的局限性进行评价，在机器视觉理论、进化计算、人工智能的理论方法的基础上，提出基于多特征的遥感信息分类和提取模型，最终实现城市用地遥感信息的分类与提取。 7.在基于多特征的遥感信息分类和提取模型的基础上，利用多平台遥感信息(包括TM、SPOT、QUICKBIRD、IKONOS等)、DEM数据、目视解译土地利用现状图等多源空间信息，开展对武汉市城市用地遥感信息提取应用研究。并对其提取精度进行分析评价。 通过系统研究表明，基于多特征的方法在城市用地信息分类与提取中发挥重要的作用，所得出的基本结果是较为令人满意的。 本文所取得的主要成果和进展是：1.针对目前遥感影像目视解译与计算机处理存在的优缺点，充分利用两者的优势互补，既综合利用目视判读所用的地物的色调或色彩、形状、大小、阴影、纹理、图案、位置和布局等影像特征知识，以及有关地物的专家知识，并结合其它非遥感数据资料进行综合分析和逻辑推理，又利用计算机技术技术、人类视觉感知的原理与机器视觉理论对遥感影像进行系统的分析研究，对遥感影像深入理解，从而综合利用遥感影像的波谱、极化、时间和空间等特征，建立基于多特征的城市用地遥感信息分类与提取模型，实践证明：仅利用遥感数据的波谱特征进行统计识别分类，其精度很难提高。一般分类精度在70-80％左右。但是，如能充分和综合地利用遥感影像的波谱、极化、时间和空间特征以及多种来源的辅助数据的话，分类精度可明显地提高(范围在10-20％或更多)。特别是在地理信息系统支持下，发展多种来源(包括非遥感)数据的综合分析方法，将会收到更明显的效果。 2.通过融合不同平台、不同时相、不同空间分辨率的遥感信息，对城市用地遥感影像的光谱特征、空间特征、地学特征，包括地物的性状特征、大小特征、纹理特征、空间关系特征、位置特征、活动特征、时相特征等遥感影像特征进行研究和分析，建立遥感信息特征表达模型，完成遥感影像信息提取多特征的定量化分析和表达，模拟领域专家实现遥感信息的获取、表达、存储、判断、分析、决策等机制。 3.根据人类视觉感知的原理与机器视觉理论，总结遥感影像的人工目视解译和计算机影像处理的过程和方法，在此研究基础上，建立遥感信息视觉认知模型，包括对遗传算法的视觉仿真功能的分析，及其在遥感地学分析中如何通过融合知识来获得对影像的认知过程，初步实现智能化、自动化的遥感影像认知。 4.利用面向对象的思想，把城市用地划分不同尺度的分类层次，构成一个层状网络结构。在此层状网络结构中，城市用地的不同用地类型为不同的“类”。在本文的试验区中，主要分为城市道路、建筑物、林地、耕地、水体五大类；每一具体城市用地为一“对象”，即具体研究对象，其中包括城市道路、建筑物、林地、耕地、水体，类与对象的区别是，类描述了一组有相同特征和相同方法的对象；每一“对象”有多个“特征”，这些特征的描述主要表现在层上，通过在每一层次上分别定义城市用地对象的光谱特征、形状特征、纹理特征和相邻关系特征等，形成对城市用地对象的多特征描述；最后，针对城市用地“对象”的不同“特征”用不同的“方法”和“特征组合”来建立提取模型。 5.通过分析城市用地遥感调查的必要性和主要技术流程，以及城市遥感调查的具体内容，针对遥感调查所获取的遥感影像的复杂性和不确定性，引入影像理解的思想，分析研究地理空间与影像空间的描述、转换，揭示了地物、成像、信息提取的关系，进一步揭示了地理空间与影像空间的关系，从而建立了城市用地遥感影像理解机制，为建立基于多特征的遥感影像信息提取模型奠定了理论基础。 6.在以上分析的基础上，以武汉市为试验对象，利用前面所建立的基于多特征的遥感影像信息提取模型，针对武汉地区的土地覆盖/土地利用的智能化分类体系，对武汉市的城市土地利用信息进行提取，并把本次提取的结果与传统的监督分类与非监督分类结果进行分析评价。