随着遥感技术的快速发展,能够获取的遥感影像在空间分辨率、光谱分辨率和时间分辨率上都有了明显的改进,这些先进的遥感技术为观测地区乃至全球的变化提供了大量的宏观和实时数据。其中,高空间分辨率的影像因其空间分辨率高,对地面物体的辨别能力强而受到研究者的青睐,虽然分辨率的提高可以更直观的体现真实地表的情况,但是高分辨率也意味着更多的数据量,增加了精准分类及地物提取的难度。支持向量机（SVM）是核机器学习领域的热门方法,经由结构风险最小化原则可以平衡分类机器的复杂度和样本学习能力,该算法可以避免“维数灾难”和“过学习”现象,在高分影像的分类中显现出极好的优势。本文分析了高分影像精准分类存在的难点,引入并优化了多尺度核支持向量机,同时使用智能优化算法进行参数优化,实现了高分辨率影像快速、准确的分类。主要的研究内容如下:1、通过对高分辨率影像特征及分类方法的分析研究,发现仅使用光谱特征用于分类会造成地物之间的混淆,而使用高分辨率影像提供的空间特征可以补全地物信息,提高分类的精度,因此将高分影像中地物的光谱、纹理特征同时用于分类机器的学习与构建;2、多核支持向量机是一种灵活性和效率更高的核机器,多核学习（MKL）的方法也有多种方式,经过理论和实验对比研究,多尺度核支持向量机相比较于合成核与组合核等多核学习方式具有更高的灵活性和可解释性;同时,经过对核函数的学习,改进了原先距离矩阵的构建方法,使用马氏距离代替原先的欧氏距离,构建了基于马氏距离的多尺度核支持向量机用于高分影像的分类,增强了核函数对于样本全局的学习能力。3、支持向量机的分类性能与核函数的参数选取相关,多核支持向量机的参数随核函数的增加而增加,选取难度也随之增加,智能优化算法为核参数的选取提供了更有效率的方式,使用改进后的动态差分进化算法确定参数,实现了高精度、高效率的影像分类。