本文采用高空间分辨率Quickbird遥感数据以及面向对象的方法对福建省将乐国有林场研究区的森林树种类型信息进行提取,充分考虑了几何、纹理、上下文关系等信息,加入自定义的不同参数的土壤调节植被指数,采用多尺度分割,利用隶属度函数和决策树分类方法对特征进行提取,最终实现树种的提取。研究及探讨的重点主要是多尺度分割的参数获取、特征信息的筛选以及运用的面向对象分类分类方法,得出的4个结论：(1)根据多尺度分割的原理与算法,分析不同层次地物类型的适宜的尺度范围,通过对尺度、颜色因子、形状因子、紧致度和光滑度的多组试验及目视判别,选择出每个层次合适的分割参数,为特征信息提取和分类精度作出贡献。(2)通过深入学习及研究,了解普遍研究者在进行植被类型分类时多数选取光谱信息与纹理信息相结合或者光谱信息与植被信息结合的方法。由于本研究区域植被对象的光谱信息和纹理信息相似,类型识别难度较大,本研究在多尺度分割的基础上,结合多种植被指数、光谱特征和纹理特征等信息,较好地解决了森林植被的二级分类问题。研究加入SAVI中的不同系数对不同植被类型都有所提高,SAVI的结果的精度依赖于L的取值,L取值0.5、2和5时在实验区内效果较好。SAVI的确定减少了耕地、灌草地和阔叶树与其类似地物的混淆现象,提高了分类精度。(3)采用面向对象的模糊分类中的隶属度函数对植被与非植被分类和决策树算法对植被类型分类,运用多层次规则分类方法对不同地物进行提取,有效避免一些地物混淆现象,为实现植被类型识别取得较好分类结果。(4)结合以上的试验及方法,最终融合多种植被指数特征、光谱特征和纹理特征的方法与只有纹理和光谱特征的方法相比,前者的分类精度(91.3%)比后者(84.6%)有了较大提高。