高分辨率遥感影像为用户提供了丰富的地表细节信息,但如何利用影像分析技术从高分辨率遥感影像中提取所需要的信息、更新地理信息数据库,成为遥感信息处理研究的热点。传统的基于像素的信息提取方法仅利用了像素的光谱信息作为信息提取的依据,而IKONOS和QuickBird等高分辨遥感影像表现出地物更多的信息,诸如光谱、形状、纹理以及上下文等,利用单一传统的方法进行高分辨率影像信息提取不仅会降低提取准确度,而且也会造成空间数据大量冗余、资源浪费。因此,本文紧紧围绕高分辨遥感影像信息提取这一中心环节,以QuickBird等高分辨率遥感影像为主要实验数据源,分析和验证了相对于传统单一的像素级信息提取方法,面向对象和集成学习技术在高分辨率遥感影像信息提取方面的巨大应用潜力。在对前人工作研究的基础上,提出了一种基于集成特征选择的算法,并将其应用于高分辨率QuickBird影像的道路提取。本文主要研究成果如下:1)研究了面向对象高分辨遥感影像信息提取的两大关键技术:影像分割和面向对象分类。并把支持向量机和人工神经网络引入对象级高分辨率遥感影像分类。通过实验证明了面向对象的信息提取方法在高分辨率影像分类方面优于传统像素级方法。2)介绍了集成学习的基本概念、基本原理和主要的集成学习方法,并通过面向对象的异态和同态集成分类实验证明了集成学习的有效性。3)定量化描述了影像对象的光谱、几何、空间纹理特征,介绍了用于解决组合优化问题的遗传算法,同时提出了基于遗传算法的集成神经网络特征选择算法并应用此算法提取道路模型。4)介绍了基于面向对象和集成学习的高分辨率遥感影像地物要素半自动提取框架和集成特征选择的设计思路和关键技术,并利用该框架进行道路提取实验,证明了该方法用于地物要素提取的可行性。