近年来随着我国遥感技术的快速发展,我国已具备了获取厘米级的高空间分辨率遥感影像的能力。空间分辨率的提高,使得高空间分辨率遥感影像数据呈现出地物类型的不确定性、同类地物的形态多样性、地物空间分布的复杂性等特点,这些特点也致使实现准确自然场景遥感影像地物的分类变得非常困难。为了解决地表覆盖分类普遍存在严重依赖地面样本数据和人为主观干扰过多的问题,本文研究了基于对象的非监督分类方法。传统的K均值(K-means)非监督分类方法,通常基于像素的分类方法,只能利用影像单一的光谱特征,因而无法克服高分辨遥感影像数据的噪声点的干扰。同时,输出结果对输入参数依赖性较大,算法效率低,导致影像的分类效果较差。为了提高图像的非监督分类效果,本研究引入超像素算法,将超像素分割的对象作为处理单元,进一步利用对象的光谱、几何和纹理等多种特征信息,提高了分类的精度和效率,可为高空间分辨率影像分类提供有效的借鉴。本文以无人机高空间分辨率遥感影像作为数据源,对影像数据预处理后,分别采用了结合L0平滑和超像素的K-means非监督分类方法、基于多尺度Ratio cut(Multi-scale Ratio cut,简称R-cut)分割的K-means非监督分类方法对无人机影像进行分类,最后分析比较了各地物分类精度,具体研究工作和内容如下:(1)无人机影像预处理。首先,对无人机影像使用L0平滑,有效的减少大量的噪声和冗余信息,使图像更加清晰;然后采用直方图均衡化,对影像进行增强,使得地物的纹理和形状更加清晰。(2)研究结合L0平滑和简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)的K-means非监督分类。首先采用SLIC方法对L0平滑后的无人机影像进行超像素分割,将图像中颜色特征和平面空间特征有机结合,使图像中各个地物能有效聚合;然后采用K-means对分割后的影像进行非监督分类,有效的解决错分、漏分以及选取样本难的问题,提高了高空间分辨率影像分类的效率和精度。(3)有效解决面向对象的多尺度分类、分割预处理过程中尺度参数选择难的问题,探索了一种基于多尺度R-cut分割的K-means非监督分类方法。首先利用尺度评价工具融合(the ratio of mean difference to neighbors to entropy,RMNE)多尺度分割模型得到各地物最优分割尺度;然后综合利用各层级地物的边界权重信息,结合R-cut方法进行全局分割;最后联合K-means非监督分类方法实现分类。该方法有效融合了各特征优势,能真实地反映出物体的边缘轮廓信息,可得到阴影、建筑物、植被、水体和道路等各类地物精细分类结果,且准确性高、适用性强,有效提高了分类的准确率。