随着传感器技术的日益发展和进步,遥感影像的空间分辨率也越来越高。然而如何快速而准确地对高分辨率遥感影像提取所需专题信息,成为了当前亟待解决的问题。由于高分辨率影像的特点为细节丰富、信息量大,传统基于像素的分类方法显然不能利用丰富的空间信息,从而造成资源浪费和数据冗余。因此,面向对象分析方法应运而生,并且经过不断发展成为高分辨率遥感影像分类的主要技术。面向对象分析首先是将影像分割,获得若干个多边形对象,进而基于对象进行特征提取及分类识别。本文将基于高分辨率遥感影像的特点,重点对影像分割和特征提取两方面开展相关研究,实现高分辨率遥感影像的全要素分类。具体工作内容如下:首先,根据现有各种分割方法的优缺点,研究并实现了结合改进分水岭变换和分形网络演化多尺度分割的高分影像分割算法。将基于标记的分水岭算法作用于高分影像中,其分割结果代替像素作为初始单元,进而进行基于光谱和形状异质性指标的多尺度区域合并。这样不仅能弥补分水岭变换中过分割现象带来的不足,同时提高了多尺度分割算法的运算效率,增强了算法的可操作性。其次,鉴于上述分割算法中的尺度参数变化对分割结果中同一对象内部相似性和不同对象间可分性的影响,对高分辨率遥感影像中的最优分割尺度涵义进行系统性分析。论文采取目标函数法和尺度参数估计模型来计算整幅影像的最优尺度参数,使得分割结果中对象内部的同质性和不同对象间的异质性都达到最大,从一定程度上保证了分割结果的相对最优性;并通过与非最优尺度的分类实验相比较,验证了对于高分影像而言,提取最优分割尺度的必要性。最后,针对高分辨率遥感影像中低层特征与高层语义特征之间存在的“语义鸿沟”问题,结合中层特征表达理论,研究了基于视觉词包模型的高分影像对象的特征表示。为了弥补其忽略的高分辨率遥感影像中重要的空间信息和尺度特征,引入了金字塔词包模型和多尺度词包模型,更好地表达了影像对象的内容及其语义信息。通过对高分辨率遥感影像分别提取对象的低层特征和中层特征进行全要素分类实验,结果对比表明中层特征的表达能力优于低层特征,并且在相同的视觉单词数和训练样本个数条件下,说明了改进的两种词包模型更具鲁棒性。