遥感技术逐步发展起来,对地物覆盖情况的遥感观测也越来越成为热点研究问题。尤其是东北三省作为国家主要的商品粮基地,那么,如何实现对地物分布情况的精准识别和分类并且能够对农作物种植格局检测其变化情况都是研究者们关心的重点问题。近几年,获取遥感影像的手段多种多样,常见的有多光谱、雷达和高光谱等,但是不同的单一传感器具有各自优势的同时也存在着不同劣势,无法使得各个遥感影像信息同时满足高的空间分辨和高的光谱分辨等需求。所以,如何将多源遥感影像进行有效的融合对研究地物的分类识别具有重要意义。本文以黑龙江省的高分卫星遥感影像数据作为研究对象,对多源遥感影像的融合及地物识别分类方法进行深入研究。首先,研究了实测数据高分遥感影像对应的传感器参数,并针对不同数据源的参数特征,适用范围等独特的优势加以分析,为之后的工作展开进行数据准备。并对光学影像进行一系列的校正预处理,对SAR图像完成对其相干斑噪声的抑制。通过对多源异构遥感影像进行配准及提取相应的数据波段,最终得到预处理后的实验数据,为后续融合及识别实验的开展奠定了基础。接下来,本文对多源异构遥感影像的融合方法进行研究。重点研究了应用比较广泛的经典像素级融合算法——PCA变换融合法和梯度金字塔变换融合法,并对其进行了详细的理论分析,针对传统的图像融合算法无法同时保证高的空间分辨率和光谱分辨率的问题,本文提出了一种基于PCGP多源遥感影像融合算法,该算法有效的实现了既能保留影像各自的优势特征,也可以突出具有特有数据信息的目标,这为后续遥感影像的地物识别提供了丰富的数据信息。然后,考虑遥感影像分类识别问题,当地物目标应用传统机器学习算法进行分类时,探究提取图像的不同光谱或者纹理特征会使地物识别精度受到影响的情况,利用对比实验探究并验证能够使图像地物有比较好的分类效果的特征提取方法,最后利用评价指标对分类识别效果进行分析和评价。研究深度学习应用在地物识别中的作用,基于CNN网络,设计一种适用于遥感影像地物识别的神经网络,提升地物识别的分类准确率。最后,研究多源融合遥感影像地物识别分类系统,提出对系统进行功能性能测试方案设计,验证系统的性能指标。根据分类评价指标对基于光学遥感影像的地物识别结果和基于融合影像的地物识别结果进行比较,分析多源融合在遥感影像地物识别中的作用。根据分类评价指标对基于传统机器学习算法的地物识别结果和基于神经网络的地物识别结果进行比较,分析神经网络在地物识别分类中的优势。最终完成了对多源遥感影像融合地物识别系统的实现。