近年来,随着遥感技术不断地发展,越来越多高时间分辨率,高空间分辨率卫星相继出现,为我们的生产生活提供了很大的便利,而如何利用好这些数据庞大,信息丰富的遥感影像一直以来都是国内外研究的热点问题。其中遥感影像的分类是将大量的遥感影像应用于各个领域的基础。早期的遥感影像分辨率较低,地物信息不丰富,地物间的关系不明显,多数研究使用基于像元的方法,只利用影像的光谱信息对其进行分析,容易出现错分漏分的现象。后来出现了针对于分辨率较高,地物细节丰富,相互之间关系明确的影像的面向对象的分析方法,同时考虑对象的光谱,拓扑,空间结构等信息,为利用遥感影像分类提供了良好的理论基础。同时传统的分类模型在实际应用中已难以满足要求,深度学习的快速发展,让解决海量影像分类的问题不再难以实现。本研究以浙江省杭州市西湖区为研究对象,以GF-1遥感数据为研究信息源,对数据进行了常规的预处理操作,利用最佳指数法确定最佳波段组合。然后构建moran’s Ⅰ指数与地理探测器q统计量的二维空间确定最佳分割尺度,利用最大面积法确定形状因子和紧致度的权重。利用分割后的对象的光谱特征、几何特征、纹理特征等作为分类模型的输入因子。构建基于像元的支持向量机分类模型,面向对象的支持向量机,最邻近法和BP神经网络分类模型。最后基于TensorFlow学习框架,建立一维卷积神经网络（1D-CNN）的深度学习分类模型,利用混淆矩阵法对所有模型进行精度分析,主要结论如下:（1）利用最佳指数法确定本研究使用的GF-1影像的最佳波段指数为4、2、1。对选用的国产GF-1遥感影像数据,进行了辐射定标,大气校正,正射校正,镶嵌裁剪等预处理,利用最佳指数法确定其最佳波段组合为4、2、1,为GF-1卫星影像的研究提供参考。（2）构建地理探测器q统计量与moran’s Ⅰ指数的二维空间,确定影像分割的最佳分割尺度为90,以最大面积法确定影像分割的形状因子权重为0.7,紧致度权重为0.3。构建的二维空间以归一化地理探测器q统计量为横坐标,归一化moran’s Ⅰ指数为纵坐标,计算每个分割尺度的分割参数优选函数值（SOF）与其分割质量最优点（1,0）的欧氏距离,以确定影像分割的最佳分割尺度为90;利用最大面积法,即计算不同参数下的分割对象最大面积,当其恒定时,各参数为最佳,确定影像分割的形状因子权重为0.7,紧致度权重为0.3。以此参数对影像进行分割,对分割完的影像进行包括光谱特征,几何特征,纹理特征等62维特征进行提取,作为分类模型的输入因子。（3）传统模型中BP神经网络的精度最高,其总体精度为89.52%,Kappa系数为0.8737。采用基于像元的支持向量机分类模型,面向对象的支持向量机分类模型,面向对象的最邻近法分类模型,面向对象的BP神经网络分类模型,对研究区进行分类,其模型的总体精度分别为68.75%,86.90%,84.86%,89.52%,Kappa系数分别为0.6244,0.8421,0.8110,0.8737。由此可见面向对象的分类模型分类效果要好于基于像元的分类模型,同时对各模型的用户精度和生产者精度进行分析可以得到,在建筑用地和交通用地的提取方面,对于各模型来说均有难度。（4）基于TensorFlow学习框架构建了面向对象的基于1D-CNN的深度学习分类模型,其分类总体精度为93.10%,Kappa系数为0.9167,为所有模型中效果最好的。构建的1D-CNN模型一共包括两层卷积,两层池化,三层全连接,并且在前两个全连接层出使用Dropout以防止过拟合,得到其分类总体精度为93.10%,Kappa系数为0.9167,除了较难区分的交通用地,其他类别的用户精度和生产者精度均高于85%,分类效果较理想,与传统的模型相比也具有较大的优势。