如何对海量具有高空间分辨率特性的遥感影像数据进行有效的解译是在遥感“大数据”时代中实际而又富有挑战性的问题。遥感影像标注,即根据影像中像素或特定区域所对应的地物内容给予对应的语义标签,是遥感影像理解的重要任务。然而,已有的高分辨率遥感影像标注任务解决方案在面对海量遥感数据处理时都存在一定问题:1)传统的人工目视解译方式可靠性高,但对人工劳力及时间的开销较大。同时其标注方式单一(一般仅采用类别标签进行标注),对标注者专业知识水平有很强的依赖性。2)现有遥感影像智能解译算法,高准确度的结果依然依赖于人工标注信息的质量。其中主动半监督分类方法旨在主动挑选有效且较少的训练样本,但其依旧存在监督形式单一、依赖于随机采集初始训练样本的缺点。针对以上问题,本文旨在寻找一种高效且对专业知识依赖性低的高分辨率遥感标注手段。对此,本文主要研究利用主动聚类算法解决高分辨率遥感影像的标注任务。其中,主要的研究内容以及贡献如下:首先,研究基于k-NN图修正的主动谱聚类算法,采用成对约束这种对照比较的简单标注方式完成标注工作,以此降低对于标注者的工作门槛与操作难度。同时设计了基于k-NN图邻域不确定度的主动选择模型,每次迭代选取信息量最大的样本对进行标注;并设计k-NN图二步调整,根据标注者交互反馈的成对约束对k-NN图依次进行剪枝与重分配。通过以上操作,在较少的提问次数下完成对k-NN图的优化以提高聚类性能,从而降低标注工作量。其次,发展了自动更新类别数目的主动谱聚类算法,能够处理在遥感影像标注任务中未知类别数目或具体类别未知的特殊情况。通过维护确定样本集动态地对类别数目进行更新,算法能够在标注执行的过程中同时寻找出数据中包含的类别数目。最后,考虑使用成对约束传播,在不增加提问次数的情况对已有的成对约束信息传播到全局范围,降低对监督信息的需要,从而降低人工工作量。具体地将软成对约束传播及硬成对约束传播进行信息融合,得到全局约束得分。利用此得分对k-NN进行全局调整,并用于二次主动选择策略,此方法能进一步提高主动谱聚类的性能。为验证本文提出算法的性能,我们在三个高分辨率遥感影像数据上进行了实验,并和现有的遥感影像智能解译算法作对比分析。结果验证了本文基于主动谱聚类的高分辨率遥感影像标注算法的有效性。