遥感信息提取技术在国民生活的各方面发挥着重要作用。然而,绝大多数遥感信息提取应用所面对的都是不平衡数据集。特别地,随着城镇化建设的不断推进,人类活动的干预,城镇区域遥感数据集呈现出越来越严峻的不平衡状态。但是,大多数信息提取技术会在少数类上形成不适当的偏置,甚至导致少数类的分类失败,从而限制信息的准确获取。所以,针对常态化的城镇遥感不平衡分类问题,提高少数类的识别精度的同时保证场景内其它地物的识别性能迫在眉睫。尤其是在大数据背景下,利用有限的先验知识,加强对原始遥感不平衡数据的理解尤为重要,这对于快速响应与合理决策具有十分重要的意义。本文针对城镇区域遥感不平衡分类问题,在深入分析和总结不平衡分类研究现状的基础上,对不平衡分类的单模型响应、学习策略、数据空间转化以及评估方法方面展开研究。引入极限梯度提升树（e Xtreme gradient boosting,XGB）和半监督学习（Semi-supervised Learning）,以不增加样本标记代价为前提,提出半监督平等学习XGB分类方法（Impartial semi-supervised learning strategy with XGB,ISS-XGB）,并深入研究该分类方法的内部特征对于遥感不平衡分类的影响,建立精度、分歧表现与决策边距三层次评价方法。本文主要工作和研究结论包括:（1）在算法层面,引入XGB模型,分析典型遥感分类方法对不同样本数据分布的响应变化。在8个实验区的实验表明:1)对高分辨率遥感图像,XGB方法在遥感不平衡分类问题中的的表现优于随机森林、多层感知机、支持向量机等典型分类方法,其正确分类输出的置信度较高,但是,模型性能也受到极端不平衡数据分布的影响;2)当样本不平衡性达到一定程度时（例如,少数类与多数类比例大于10:90时）,XGB的性能不确定性对地物光谱可分离性并不敏感;3)通过多种指标的比较,以精度（总体精度、少数类F1值）、分歧表现与决策边距组成的三层次评价方法能够从多角度分析分类方法对于不平衡数据集的响应。因此,XGB是一种处理土地覆盖遥感不平衡分类的有效方法,但仍在样本极端不平衡性时,受到数据分布的影响。（2）从学习策略的层面,本文提出了一种平等半监督学习方法（ISS-XGB）。在不增加标记代价的前提下,通过消除训练的偏态分布来建立平等的分类学习系统。通过与半监督学习方法（PU-BP和PU-SVM）以及数据层面典型方法（SMOTE）进行对比,结果表明:1)ISS-XGB可以有效识别少数类,并且不会损失系统性能;2)ISS-XGB中的学习策略的优化和模拟器的选取有助于更平等而全面地学习少数类。与PU-BP和PU-SVM相比,总体精度与少数类F1值高出约20%和15%;与基于SMOTE的分类方法的精度结果十分接近,但是却比后者更加稳定;3)ISS-XGB的预测置信度不如即席学习方法。（3）从集成学习要素（准确性与多样性）的层面,本文提出模型扰动（ISS-Hybird C）和参数扰动（ISS-Hybird P）,在不同加权集成机制下,研究不同特点的ISS集成系统对于遥感不平衡分类问题泛化能力的改变。结果表明:1)基学习器的准确性对于ISS集成系统的影响比多样性更显著;2)基于参数扰动的ISS-Hybird P能够在保证精度和分歧表现的同时大幅度提高方法的MPM性能（平均提高53.85%）;3)不同的加权集成机制（MSE、Fpb、MPM）能够改善混合集成的波动性,但是也会在不同方面影响性能输出。因此,在保证基学习器准确性的基础上,增加内部输出的多样性和应用加权集成策略,能够在不同性能层面提高ISS混合集成系统的泛化能力和置信度。（4）从问题域的层面,本文通过面向对象技术改变数据分布,研究总体分布改变下的遥感不平衡分类问题。结果表明:1)面向对象技术能够提高模型输出的绝对精度值（ISS-XGB最大总体精度达98.13%,少数类F1值最大达0.95左右）,但是仍旧会受到不平衡数据集的影响;2)对象的划分有助于提高模型MPM输出,其中ISS-XGB方法比基于像素方法提高近128.98%,且随着区域复杂度的增加而越大。面向对象技术虽能够提高对象特征的同质性,降低分类识别的难度,但仍受到不平衡数据集的挑战。