随着遥感影像的空间分辨率提高,高空间分辨率遥感影像中的地物类型和场景越来越复杂,所获取的地物目标内部的细节信息更加丰富,地物关系更为复杂多样。优良的影像分割算法能够精确分割地面目标,分割的结果可为后续影像处理和分析提供可靠的基本处理单元。由于影像分割本身具有的不确定性以及高空间分辨率遥感影像的复杂性,从而使本领域的研究颇具挑战性,传统的分割方法已经无法满足当下的分割需求。现有的分割方法大多无法平衡过分割和欠分割的问题,尺度过小易使地物被过度分割,而尺度过大会造成欠分割,导致地物被分割错误。在后续的影像解译与分析处理过程中,错误的分割结果将直接影响到后续影像处理的效果。本文是在无法较好确定地物的最佳分割尺度的情况下,首先采用了较小的分割尺度进行预分割,并将不同合并方法加入到影像分割过程中,借此来提高分割效果。超像素分割已经成为了影像预处理中一门关键的技术,能够更好地描述小尺度区域信息,并在兼顾小尺度地物分割的同时,通过后续采用空间聚类和光谱差异三种合并策略实现了对大尺度地物合并的目的。基于此,本文探究了解决分割方法无法平衡分割尺度及分割效果不理想的问题。在对传统遥感影像分割方法的详细分析以及对最新超像素分割方法总结的基础上,针对超像素分割方法在影像分割处理过程中存在的尺度平衡问题,开展了以下研究:(1)设计了一种融合层次聚类的高空间分辨率遥感影像超像素分割方法。首先采用自适应多尺度重建分水岭分割算法对遥感影像生成超像素过分割影像;然后采用层次聚类算法对超像素进行合并。(2)研究了一种结合超像素和模糊C-均值(fuzzy C-means clustering,FCM)的高空间分辨率遥感影像分割方法。首先采用分水岭算法生成初始超像素分割区域;然后采用FCM算法对超像素进行合并。(3)提出了一种结合超像素和光谱差异的高空间分辨率遥感影像分割方法。首先采用单线性迭代聚类(simple linear iterative clustering,SLIC)算法进行预分割得到超像素集;然后充分顾及像素光谱测度差异;用光谱差异算法对超像素进行合并。实验结果表明,本文方法较好地解决了高空间分辨率遥感影像中不同尺度地物的分割难题,并获得良好的分割结果。为进一步的遥感影像处理以及应用打下了基础。