高空间分辨率影像是遥感数据发展的重要方向,通过高分遥感影像准确高效地提取土地利用分类信息是当前遥感领域研究的热点之一,由于土地利用分类信息较为复杂,基于像元的遥感影像土地利用分类信息提取存在精度不高的问题,无法很好地满足要求。使用面向对象的高分影像分类方法,研究多尺度分割中最优参数的选取问题,将双层尺度集分割和分类决策树(Classification And Regression Tree,CART)进行了结合,通过土地利用分类实验将该方法与基于像元的最大似然法和面向对象的最临近方法的结果进行比对,取得了如下成果:1.从尺度理论出发,综合比对FNEA(Fractal Net Evolution Approach)算法和尺度集模型的影像分割方法,利用分块分割和并行计算优化尺度集模型构建双层尺度集模型,对地物对象进行分割实验,选取最佳分割参数和最优分割方法,构建对应的分割对象层,有效避免多尺度分割中普遍存在的过分割和欠分割问题,改善多尺度分割的效果。2.通过最大面积法、均值方差法和ESP(Estimation Scale Parameter)工具验证法对影像进行分割实验,选取最优分割参数,包括:尺度参数、波段权重、形状因子和紧致度因子。并通过构建分割辅助图层提高分割边缘提取效果。基于最优分割参数,比对FNEA算法和双层尺度集模型的影像分割方法的分割结果,研究两种分割方法在相同的最优分割参数下的分割效果。3.构建CART决策树分类器,选取训练样本和对应特征变量,实现分类过程的自动特征选取和阈值选取。对基于SPM(Salford Predictive Modeler)平台构建的CART决策树进行修剪和优化,配合光谱特征设计准确合理的分类规则,提高面向对象分类实验的准确性,实现准确高效地土地利用分类提取,得到分类结果并进行精度评价,与使用基于像元的最大似然法和面向对象的最临近方法作为对照实验进行比对分析。论文创新性地将双层尺度集分割和CART分类决策树进行了结合,在土地利用分类研究中取得了较好的成果。