随着矢量GIS的成功，人们在使用数据过程中习惯于以矢量多边形对象来表达地理信息。遥感影像作为GIS数据库的重要来源，以栅格形式表示，因此遥感影像与GIS信息之间在数据格式方面存在很大差异。面向对象的影像分方法则直接提供矢量成果信息，从而大大减轻了遥感与GIS数据集成的负担，为结果的再利用提供便利。　　 面向对象思想的应用需要借助具体方法才能实现具体的工作目标。支持向量机(SVM)在模式识别领域非常成功(Burges，1998)。其受到广泛的欢迎在于它与统计学习理论的密切关联。在解决两类分类问题时，他们采用结构风险最小化原则(Vapnik，1995)。在遥感领域，支持向量机主要用于高光谱图像的分类(Melgani and Bruzzone，2002；Bruzzone and Melgani，2003)以及光谱混合建模(Brown et al.，2000)。用支持向量机进行遥感图像变化检测，能够获得较好的检测精度，但是在结果的再利用上存在不足，另外，在采样上也存在一定的难度。结合面向对象影像分析，应用支持向量机进行变化检测，就能够克服支持向量机应用在变化检测中存在的不足和困难。　　 以面向对象为基础应用支持向量机方法进行变化检测，为结果的再利用提供了便利，并且能够克服以往变化检测方法存在的不足，相对于其他传统的变化检测方法在结果的可读性及精度上都有所提高。　　 在本文的研究过程中，主要研究了三方面的问题：　　 一、面向对象的影像分析技术　　 影像分割是面向对象影像分析的基础。本文在研究现有的影像分割方法的基础上，发展了自适应的mean-shift方法，将其用于多尺度影像分割。该方法在精度和速度上都有所改进。　　 二、将支持向量机方法应用于遥感图像变化检测　　 在分析、总结现有的支持向量机方法和算法的基础上，重点发展多类分类的支持向量机算法以及提高支持向量机运行效率的方法。提出了基于超球体结构的完全二叉树支持向量机方法。　　 三、变化检测结果的可读性和可用性研究　　 以往多数变化检测结果只有两种：变化和未变化，对变化的属性并未给出明确的表示。本论文方法在检测变化的同时，还得到变化的属性信息。该方法能够增强结果的可用性和可读性，并借助面向对象的分割结果，对变化检测结果进行后处理，去除噪声，使结果保持区域完整性。