随着遥感技术的迅速发展，大量的图像信息飞速增加。近年来一系列卫星的成功发射，也使得利用这些图像信息服务于人们的生活和生产成为了可能。但是面对日益增加的图像数据，采用传统的手工勾画的方式耗时且落后，在作业效率上远远不能满足要求。因此，快速、自动的信息提取方式变得尤为重要。　　土地利用和分布与城镇规划和生态环境保护息息相关，一直都是规划管理部门关注的重点。目前，城镇土地根据使用功能的不同划分为不同的功能区，但是，目前针对功能区的研究很少。本文选取一种典型的功能区——居民区作为研究对象。居民区与人们的生活密切相关，并且在土地利用中占有一定的比例，能在一定程度上反映土地利用的现状。因此，对居民区信息的提取意义重大。　　本文采用图像检索的思路进行居民区信息提取，利用图像的多种特征来实现居民区的检索。本文主要关心四类居民区（旧式村落用地、低密度高层小区、中密度低层小区以及低密度低层小区），并分别对其进行了定义。实验选取北京和天津作为研究区域，并结合研究区地物特点构建出类别体系。文章借助Google Earth对不同类别在1m分辨率下获取300×300大小的样本组成图像样本库。为实现居民区的有效检索，论文设计了合理算法和流程。首先利用纹理特征和模糊分类理论对居民进行检索，算法对居民区与非居民区，以及各类居民住宅用地的可分性进行了实验分析。为实现居民区的有效检索，文章进一步引入了尺度不变特征(Scale Invariant Feature,SIFT)构建视觉词袋库（Bag of Visual Word,BoVW）模型，并对传统BoVW模型进行了改进。通过对两种算法实验分析发现，纹理特征和模糊分类算法中居民区检索的生产者精度较高，但用户精度较低，而BoVW模型算法中，居民区检索的生产者精度较低，但用户精度相对提高了。在此基础上，文章将上述两种算法进行融合，提出在纹理特征分类的基础上利用BoVW模型对居民区进行了分类，该融合算法在分类精度和实现效率上都得到了很大的提高。目前算法的主要困难在于形态结构与居民区相似的地物的区分，但算法涉及的技术流程和实验设计能够为相关领域研究提供参考依据。