遥感技术的飞速发展，使我们能够获得丰富的地球表面信息，特别是遥感传感器平台技术的不断进步，出现了高分辨率遥感影像，扩展了人们对自然界事物认知的程度。相较于中低分辨率遥感影像，高分辨率遥感影像在光谱、形状、纹理以及上下文语义信息等影像特征方面表现的更加丰富，如何处理和应用这些数据，是我们所面临的挑战和待解决的问题。针对于高分辨率遥感影像信息提取，使用传统基于像元光谱亮度值的方法不仅会降低信息提取的准确度，而且会造成空间数据冗余，资源浪费。因此，本文将面向对象和多分类器集成的思想应用到高分辨率遥感影像分类中，以QuickBird等高分辨率遥感影像为主要数据源，分析和验证了相对于传统的分类方法，面向对象与集成学习技术在高分辨率遥感影像分类中的巨大应用潜力。同时，在前人研究工作的基础上，对影像分割算法进行了改进，对其不确定性进行分析和选择最佳分割尺度。本文研究成果如下：1）研究面向对象技术，从影像分割、影像特征选择和面向对象分类三个方面分析高分辨率遥感影像的分类方法。在已有分割算法的基础上，对分水岭变换分割方法进行了改进，使其能够适用于高分辨率遥感影像的信息提取。在高分辨率遥感影像分类中，使用决策树、支持向量机和人工神经网络等分类方法，并通过实验证明了面向对象的分类方法要优于传统像素级分类方法。2）介绍了集成学习的理论基础、方法和主要算法，详细介绍了Bagging、Boosting和投票法等集成学习方法，并通过实验证明多分类器集成方法在遥感影像分类中要优于单分类器。