随着近年来遥感技术的不断进步,遥感影像的分辨率也随之提高。高分辨率遥感影像在各行业中得到广泛应用,成为当前遥感影像研究的热门课题。其中遥感影像的分类可以有效提取地物的类别信息,是遥感影像处理与解译的关键环节,进而引起大量学者的关注。然而分辨率的提高不仅丰富了影像中的地物信息,同时也增加了影像处理的数据量,致使基于像素的分类方法难以完全适用。面向对象的分类方法以同质像素集合为基础进行实施,在一定程度上解决数据量大的问题,同时其可有效提取像元中的纹理以及空间特征,充分利用丰富的地物信息,逐渐成为当前主流的遥感影像分类方法,其在土地利用、土地覆盖检测上具备较高的研究价值。因此,本文围绕面向对象的分类方法中关键问题,研究提出了两种面向对象分类的新算法。主要研究工作如下:(1)针对传统简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)超像素分割算法难以准确分割细小地物目标的问题,研究提出了一种基于Canny边缘算子的超像素分割算法,该算法利用Canny边缘算子所提取的地物边缘信息作为引导,协助SLIC算法进行超像素分割,使得生成的超像素块的边界更贴合于地物目标的边缘。在高分一号和高分二号影像数据上进行实验,分析评价实验结果,验证所提算法的可行性和有效性。(2)研究提出了一种改进的面向对象分类算法。传统的面向对象分类算法中,同一地物类别,在不同分类算法下得到的分类效果不一致;在同一分类模型中,不同类别的地物得到的分类精度差异较大。针对这类问题,算法首先分别利用支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF)分类模型进行分类。针对一种或多种地物信息,采用分类精度最高的分类算法提取该类地物信息,通过将所有地物信息进行融合,最终实现遥感影像分类,提高分类精度。在高分一号和高分二号影像数据上进行实验,分析评价实验结果,验证所提算法的可行性和有效性。