高速发展的遥感成像技术使人们可以更加高效、便捷地获取遥感数据以及进行分析处理和相关的应用工作。高空间分辨率使影像中的地物细节更加清晰与丰富,近年来,遥感技术已被用于军事、农业、地质、大气等广泛的领域。与中低分辨率遥感影像相比高分影像有所蕴含的地物信息更加丰富,光谱特征更为鲜明,形状特征更加精准等特点。使用传统的分类方法对高分影像进行分类由于缺少几何形状,相互关系等空间特征,容易出现“椒盐现象”。如何高效提取高分辨率影像中的深层特征,并有效地利用,是提高影像分析精度的关键。近年来,深度学习技术热度持续高涨,出现的大量改进算法提取并学习图像的深层次特征,对图像进行高精度的目标识别,图像分割,目标分类等应用。而高分辨率遥感影像与自然图像相比,有着更为复杂的影像特征,因此,利用深度学习技术提取高分辨率遥感影像特征具有非常大的发挥空间。目前,利用深度学习技术分析高分辨率遥感影像已取得了一定成果,但由于遥感影像自身特点,存在分类精度不高,分类方法局限性高,以及技术应用不普及等都问题。本文使用面向对象方法,将深度卷积网络应用于高分辨率遥感影像分类应用中,本文主要研究内容为:（1）针对高分辨率影像在实际林业工作信息提取中存在的问题,分析总结了面向对象分析方法和卷积神经网络的优缺点,综述了高分辨率遥感影像分割和分类的国内外研究现状,将将面向对象分析方法与卷积神经网络相结合,充分发挥各自优势,实现了基于卷积神经网络的面向对象影像分类方法。（2）通过分析现有图像分割算法和高分辨率影像特点,使用融合地学特征的高分辨率影像多尺度分割方法,提取高分辨率遥感影像的地学特征,将其作为原始影像数据的补充,共同应用到影像分割应用中。利用现有遥感影像数据进行实验,并与经典的多尺度分割算法进行分析对比,本算法分割结果具有更高的分割效果。（3）针对面向对象遥感影像分割对象大小形状不一,无法输入神经网络的问题,探索使用了多种数据标准化方法对影像数据进行拉伸,并将每种标准化方法得到的影像对象输入卷积神经网络,实现基于单尺度卷积网络分类方法。并探究每种方法的优势与缺点。同时在此基础上,提出了基于多尺度卷积网络分类方法。减少由于单一尺度方法对影像特征提取的错误,探究提高分类精度的可行性。并对个方法分类效果进行比较,分析不同分割与分类方法的分类效果变化。