自然资源资产离任"非现场审计"需要高时效、高精度地提取典型自然资源资产信息,利用高分辨率影像采用面向对象的信息提取技术是一种高效的解决方案。该解决方案首先要通过影像分割技术获取与真实地物接近的资源对象。而现有的基于分形网络演化算法的参数寻优过程大多针对单一的尺度参数,忽略形状参数、紧致度参数的分割造成了一定数目的混合对象;虽然考虑了多参数的影像分割减少了混合对象的存在,但是影像中同谱异物、自然界过渡性边缘的现象,造成混合对象依然存在。其次,需要针对不同类型的资源对象提取区别其他资源对象的稳健特征。部分多云区域因平台受限导致获取的数据缺少近红外波段数据,这对植被信息精确提取造成了困难。最后,需要根据资源对象的描述特征进行分类。多类型的资源对象带来庞大的特征集,简单的堆积不仅会增大计算量,而且会造成特征的冗余,降低了自然资源资产的提取精度。因此,研究分形网络演化算法参数寻优的策略、LiDAR点云特征优化影像分割的方法、构建有效提取植被信息的特征、选择利于资源信息提取的最优特征子集,成为该方案亟需解决的关键问题。针对解决方案中存在的问题,本文开展了如下工作:1)归纳、总结了现有的影像分割评价方法,针对基于分形网络演化分割算法参数寻优大多针对单一尺度参数的问题,研究基于田口方法的最优分割参数组合确定方法,优化了影像分割结果;2)针对单一影像数据分割结果存在混合对象的问题,研究加入LiDAR点云归一化高度特征、DSM数据坡度特征参与影像分割,减少影像分割结果中混合对象的数量;3)针对因缺少近红外波段数据导致无法有效提取植被的问题,提出构建基于可见光波段的颜色植被指数TBCVI,研究基于TBCVI与已有的颜色植被指数在城区、荒地、水域、大面积阴影的城区4种不同场景的影像数据中提取植被,比较各个指数的优劣;4)针对大量特征简单堆积可能造成分类精度降低的问题,研究基于ReliefF和mRMR特征选择算法选取利于资源信息提取的特征子集;针对单独使用ReliefF或mRMR算法获得特征子集存在分类精度骤降的问题,研究先使用ReliefF算法评价特征重要性,后使用mRMR算法剔除冗余特征的RFmRMR算法,以分类精度对比分析3种特征选择算法获得的特征子集优劣;5)研究确定了基于RBF-SVM分类器的自然资源资产面向对象信息提取流程,通过采用先精细分类、后合并的策略,得到自然资源资产分类精度与面积,验证该工程方案的可行性。研究表明:基于田口方法的分割参数寻优可以在局部区域获得更好的对象边缘,加入点云特征进一步减少了分割结果中混合对象的数量,使得基于分形网络演化算法的影像分割结果更优;TBCVI指数可以在不同环境下有效地提取植被信息;RFmRMR算法能够更快速指示出有利于分类的特征子集;基于高分影像和LiDAR点云数据高精度地提取自然资源资产信息的解决方案是可行的。论文研究成果对实现自然资源资产离任"非现场审计"具有一定的工程实用价值,对进一步研究利用多源多尺度遥感数据辅助自然资源资产离任审计具有重要的参考价值。