高光谱遥感数据和机载激光雷达数据是两类不同特性的遥感数据，其中高光谱遥感数据具有丰富详细的地物光谱信息；而机载激光雷达数据是高密度的地面三维点云数据，具有较高的平面坐标和高程精度，但由这些散点描述的地物不连续，对地物的形状和属性等信息表达不足。因此，高光谱遥感数据的光谱信息与机载激光雷达的高程信息相结合，同时结合遥感影像的地物轮廓与形状等其他信息，进行基于特征（对象）的高光谱遥感分类，将有助于更好地实现遥感的地物分类与提取。这是本文研究的主题之一。同时，如何对遥感分类的精度进行评价一直是一个难题，特别是当用于精度评价的参考数据较难获取的时候。本文研究的主题之二即是基于空间抽样检验理论的遥感分类数据的精度分析与评价。主要研究目标包括：①综合集成的遥感数据中获取的地物光谱、形状、大小和高程等信息，提出改进的面向对象的高光谱遥感影像分类方法；②针对遥感分类数据的精度评价问题，提出遥感分类数据的多层空间抽样检验和评价方法。研究表明： ⑴提出了一种改进的二进制编码方法（IBE）。原有的二进制编码法根据光谱特征进行遥感分类，是一种基于像素（Pixel）的分类方法；而本文的IBE法以面向对象理论为基础，是一种基于对象（Object）的遥感分类方法。同时，该编码实现了高光谱数据和机载激光雷达数据等多信息集成。根据提出的IBE法的规则、实际经验和用户需求，本文研究了目标地物信息的二进制编码表达方法，建立了280位的编码长度的图像对象和地物目标信息表达； ⑵研究了将概率引入改进二进制编码法的特征匹配方法。实现了目标编码和图像编码的最小距离匹配方法和最大概率匹配方法，提出了光谱、形状、高度等特征的概率模型，建立了整体概率的计算和权重设置。继而，论证了不同的归属概率算法及参数对分类精度的影响，得出了如下结论：形状和高度信息的加入，有效地提高了高光谱遥感分类的精度，但若过于强调形状的权重将降低分类的精度； ⑶定量研究了形状凶子对高光谱遥感分类的影响，发现了长宽比、面积、紧致度、矩形系数、不对称性这五个参数是适宜于提取目标地物的最重要的因子。根据选取的形状因子，研究了改进的二进制编码方法（IBE）法中的形状因子的编码规则和编码长度，提出了依据形状因子直方图分布形状和积分值的最优编码规则，提出了对于每个形状或区域因子，5位编码是在计算量和分类效率中取得较好平衡的编码长度，而不同形状因子的性质和直方图形状是决定最优编码原则的重要因素； ⑷基于本文提出的改进的二进制编码方法（IBE）法进行了高光谱遥感影像的分类实验。在同等的实验条件下与最大似然、最小距离、马氏距离、平行六面体、二进制编码等分类方法相比，本文提出的方法没有最小训练样本要求，并且获取了更高的分类精度，精度提高值在4．2％—57．8％，证明了该方法的可行性； ⑸研究并提出了遥感分类数据精度评价的多层空间抽样方法。建立了多层空间抽样的模型，旨在不改变抽样量的基础上，利用其他辅助信息，提高抽样的精度和准确性。通过对研究区三种不同精度的分类数据的对比实验，结果表明：采用分层随机抽样或空间随机抽样方法提高了抽样的精度；不同精度的遥感专题数据，其抽样精度受抽样方法的影响程度不同；对于精度情况未知或较差的数据，更适宜于使用空间格网抽样的抽样方法。