应用需求推动着高分辨率遥感卫星系统的发展，而不断增多的高分辨率卫星遥感数据又促进了遥感应用的深化。然而，随着卫星遥感图像空间分辨率的不断提高，数据量越来越大，图像的内容和形式也随之发生了很大的改变，传统的图像分类技术已经不再适合于高分辨率卫星遥感图像分类的需要。研究面向高分辨率遥感图像的分类技术，对于提高高分辨率遥感图像的信息提取能力，促进遥感应用，具有十分重要的理论研究意义和实际应用价值。论文在全面分析和总结遥感图像分类技术的研究历史和发展现状的基础上，针对高分辨率遥感图像的特点，围绕提高分类精度这一核心问题，开展高分辨率遥感图像分类的策略及其相关关键技术研究和算法实现。论文的主要研究工作和结果如下：　　 1、提出了一种基于决策融合机制的高分辨率遥感图像分类的算法构架。该算法构架针对高分辨率遥感图像特定的数据形式和数据内容而采用了“特定”的分类策略：即利用空间分辨率较低的多光谱数据提取和判别区域特征；空间分辨率较高的全色图像数据进行区域边界的准确提取。并通过映射与反馈机制实现这两种信息的决策融合和有机互补，形成合理的区域对象，便于后续的分类。该方法与通常的面向对象的高分辨率遥感图像分类算法的主要区别在于：不是把全色图像与多光谱图像的融合结果作为输入图像。　　 2、对分类过程涉及的若干关键技术进行了深入研究，提出了有效的解决方案。重点包括全色图像的分割和多尺度表示、基于全色图像映射的多光谱图像分割、基于多光谱图像特征的图像区域可再分与否的决策判别技术以及全色图像数据驱动下的区域再分算法：　　 1)、全色图像分割是高分辨率遥感图像分类算法的基础问题，论文阐述了图像分割的定义和解决思路，并通过三种图像分割算法的比较试验指出了图像分割算法目前存在的主要问题。认为，基于各向异性扩散滤波的预处理算法可一定程度上解决高分辨率遥感图像的过分割问题，试验证明了该算法的可行性和优势。　　 2)、通过全色图像与多光谱图像空间映射关系的建立，实现了全色图像分割结果在多光谱图像上的映射，以此来间接获取多光谱图像的分割结果；同时，提出了准确提取分割区域的多光谱特征的思路和算法，从而解决了全色图像与多光谱图像的分割区域对象的不一致性问题。　　 3)、对于区域对象是否欠分割的判别，提出了基于概率加权的估计类别中心点算法，与k-均值算法相比，该算法具有更好的抗噪性能并可以更准确的逼近实际的类别中心。在此基础上，提出了一种新的两类模式问题的划分算法，并定义了一种可以量化的点团与类似高斯分布差异性的度量。通过这种度量的计算可以判别点团是一类模式还是两类模式，对是否一个欠分割区域做出判别决策。　　 4)、对于欠分割的区域再分问题，论文提出了一种基于全色图像数据驱动的区域再分算法，该算法可以利用欠分割区域判定过程中多光谱数据的分类结果信息作为再分的初始分割区域边界，通过对再分区域边界的“动态”变化来逼近可再分区域分割的真实边界，使得最终的分割结果与实际自然状况更为接近。　　 3、以Ikonos卫星图像作为数据源，进行了系列的实验、分析和对比。实验结果表明，基于决策融合的高分辨率遥感图像分类算法可以较好地解决欠分割所导致的区域错分问题，提高分类精度。