经过近几十年来中国城市化进程的推进,我国城市内人口分布、产业活动、能源消耗高度集中,给城市的生态环境带来了一系列问题。在此背景下,生态城市的建设对我国环境的保护,人民的宜居,和社会的可持续发展具有非常重要的意义。因此,提高城市区域环境要素的提取与监测能力得到了国内外学者的广泛关注。随着遥感传感器技术的发展,高分辨率遥感影像可以为研究城市环境提供不同层次的重要数据,其中土地覆盖和城市功能区属于两种类型的基本信息。但是,基于高分辨率遥感影像的信息解译面临一系列问题与挑战。首先,受传感器成像技术的限制,空间分辨率的提高限制了影像的光谱分辨率,地物的模式可分性降低;其次,影像分类中边缘细节保持困难、地物多尺度特征表达能力有限;最后,遥感影像的低层数据与高层场景存在语义鸿沟。针对以上问题,本文充分挖掘了高分辨率遥感影像中清晰的地物形态特征,并以此为基础,重点研究特征提取、土地覆盖分类、城市功能区识别三个方面的方法,发展了特征-标签-场景多层次的影像分类技术,最后,以深圳市环境噪声分析为实例,探讨本文提出的分类方法在城市环境监测中的应用。本论文的主要研究内容及创新总结如下:（1）论文开展之前,系统地介绍了高分辨率遥感影像形态特征提取与分类的基本方法。在形态特征描述部分,具体介绍了基于光谱空间的数学形态学和基于类别空间的景观形态学指数;在分类方法部分,具体介绍了基本处理单元和分类器算法。（2）在影像特征提取方面,提出了基于数学形态学的广义形态谱（GDMPs）,挖掘地物的多尺度形态和结构显著性,以此补充高分辨率遥感影像分类中光谱信息的不足。GDMPs通过形态学序列的跨尺度粒度差分,提取影像在不同尺度区间的形状谱,用来描述复杂的城市遥感场景。此外,结合两种主流的形态学重构技术,提取了基于完全重构和偏重构的广义形态谱,并且分别用于算法的测试。实验结果表明:相较于传统的差分形态谱,GDMPs能够更加有效地增加地物的光谱可分性,取得更高的分类精度。（3）在土地覆盖分类方面,提出了基于景观形态边缘保持的再学习分类框架EMRF。该方法为了从地物分布的角度增强光谱可分性,提出了基于景观特征的再学习分类模块,可以从影像的类别（标签）空间出发,根据地物的景观结构进行空间特征的表达与优化。在此基础上,为了保持影像的边缘细节信息,提出在景观再学习过程中引入半监督学习tri-training策略,通过多分类器的互相学习和校正,减少再学习过程中边界的不确定性。在EMRF方法中,景观再学习和tri-training以协同互助的工作模式从特征和样本两方面对分类结果迭代优化,自动地融合为一个有效的分类框架:景观再学习不断提升地物类别可分性,辅助tri-training选取可靠的信息增益样本;而新增的样本可以提升分类器的性能,以生产准确的分类结果,并用来更新景观排列特征。（4）在城市功能区分类中,提出了一种基于形态学特征深度学习的场景分类方法DCNN-MF。该方法通过融合预训练迁移的深度网络与面向遥感分类任务的浅层网络形成场景分类框架,在一定数量的样本情况之下,实现形态学与多光谱信息的深度特征表达,提高对功能区场景的描述能力。同时,采用提出的DCNN-MF场景分类算法对深圳市多时相高分辨率遥感影像进行功能区制图,详细分析了各类型功能区面积的变化与驱动因素。最后,考虑到城市功能区与生态系统结构有着直接或者间接的联系,通过建立二者的关联,讨论DCNN-MF方法在生态系统服务监测中的应用。（5）最后,以本文提出的多层次高分辨率遥感影像分类方法为基础,通过深圳市环境噪声分析实例,讨论这些分类算法在城市声环境监测中的应用。本文以高分辨率遥感影像为数据源,通过提出的分类方法解译深圳的土地覆盖和功能区信息,描述基于整个城市尺度的城市形态参数（包括地理景观、功能区等）,进而用于城市噪声的相关性分析,首次揭示了较大范围内城市布局与环境噪声之间的关系。实验证明了本文发展的分类算法的有效性及其在城市环境研究中的应用潜力。