遥感分类是快速获取区域土地利用/覆盖信息的主要途径,如何提高中低分辨率遥感影像的分类精度是亟待解决的问题。以石家庄陆地卫星8(Landsat 8)遥感影像为研究对象,充分考虑遥感影像的空间纹理特征,研究基于纹理特征的面向对象分类,并探讨纹理特征对遥感分类的影响。首先,概述了面向对象分类方法,采用了基于边缘的分割算法对遥感影像进行分割处理;同时探讨面向对象分类中的最优分割尺度,基于分类后地物面积与对象数的“面积对象数比”,提出了影像整体最优分割尺度的计算方法。其次,选取合适的纹理特征构建纹理特征集。将灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离变量可分离性分析GLCM最优纹理特征,并利用最佳指数法获取GLCM与Gist纹理特征的最佳特征组合。最后,进行基于纹理特征的面向对象支持向量机(Support Vector Machine,SVM)及K邻近法(K-Nearest Neighbor,KNN)分类识别与精度评价,并与无纹理特征的分类结果及应用监督分类方法所得的结果进行对比。实验结果表明:融合纹理特征使分类精度有了一定提高,采用面向对象SVM及KNN分类对纹理数据分类的总精度均高于原始数据;基于纹理特征的监督分类精度相对于原始数据监督分类也均有所提高,但相比于面向对象分类结果,面向对象分类精度远高于监督分类精度,且对纹理数据更为敏感。纹理特征对影像分类精度的提高有一定促进作用,本文提出基于Gist纹理的面向对象分类方法有效提高了遥感影像分类精度,为区域土地利用/覆盖信息提取提供了有效的途径。