地物分类与识别是一直遥感领域中的重点研究方向之一。伴随遥感影像空间分辨率的提高,地物信息细节越来越丰富,丰富的细节信息使得地物类内差异加剧、类间差异减少,易发生“同物异谱”和“异物同谱”现象。这种情况下传统像素级别的分类方法已经不能满足实际应用需求。目前相关研究的重心已经由像素级分类转变为对象级分类,能够克服高分辨率遥感影像分类识别的一些难题。其中图像分割与特征提取是对象级分类方法中的两个重要步骤,仍然存在着许多亟待解决的问题,如:分割形状大小不规则、边界吻合度低,特征提取表达不充分等。针对上述问题,本论文主要研究包括以下两点。(1)针对高分辨率遥感影像分割结果形状不规则,边界吻合度较低问题,本文提出一种融合局部纹理特征的简单线性迭代聚类超像素分割算法(RIULBP-SLIC)。首先采用双边滤波对图像进行去噪处理;计算旋转不变等价局部二值模式编码值,提取图像局部纹理特征;利用简单线性迭代聚类算法(SLIC)提取像素点颜色特征与空间位置信息;结合局部纹理特征、颜色特征与空间位置信息重新建立相似性度量规则,对像素点进行类别划分形成超像素块。(2)针对高分辨率遥感影像分类特征提取不充分、地物识别能力有限的问题,本文提出了一种面向对象的多尺度残差收缩网络分类算法(MSRSNet)。在由上述方法获取的超像素块基础上,选取其不同角度的邻域超像素中心连接构成的最小外接矩形作为网络模型的输入;采用残差收缩网络(RSNet)提取对象多个尺度特征,利用迁移学习策略充分训练网络模型,实现高分辨率遥感图像精准分类,克服过拟合问题。实验结果表明,本文改进的超像素分割算法在多个遥感数据集上具有较高的分割准确率,得到的超像素块形状分布较规则,边缘吻合度更高。结合面向对象理论和迁移学习策略提出的多尺度残差收缩网络分类模型能够有效提高特征表达能力,提高分类效果,克服小样本造成的过拟合问题,提高模型的泛化能力。