湿地被誉为“地球之肾”，是自然界最具生产力的生态系统和人类最重要的生存环境之一。但是由于不合理的开发利用，湿地在世界范围内面临着大量丧失，因此各国政府正致力于湿地保护。本文以杭州西溪湿地为研究区，采用QuickBird遥感影像，对湿地遥感信息的识别与提取分类方法进行了研究。采用多级、多尺度分割方法提取了湿地地物类型，在分析地物的光谱信息、形状信息、纹理信息、植被指数等基础上，构建了针对研究区特点的特征空间，并进行了优化。与传统的分类方法相比，由于充分利用了地物的光谱、纹理、位置和几何形状等特征，避免了传统分类方法对高分辨率影像分类时，由于同一地物内部异质性增强导致的“椒盐现象”的产生，提高了分类精度。同时针对一般面向对象分类软件中基于模糊的分类方法中特征不能优化的缺点，采用基于知识的决策树方法来分类。初步形成了一套基于面向对象的湿地分类方法。研究的主要结论归纳如下：(1)通过实地调查和影像目视判读，对西溪湿地各个地物类型在QuickBird影像上的表征进行了定性分析。在光谱特性上，地物信息表现出一致性，建设用地与水体、植被的区分度比较大，尤其在近红外波段。各地物类型在光谱响应特征有区别，但是在不同的波段有不同的显著性。(2)采用两级分割的方法，先将影像分成植被、水体、建设用地，然后对比较容易混分的植被用掩膜单独提取出来，用不同的分割尺度对植被进行分割。利用区域合并算法获取了西溪湿地地物类型斑块的分布，即生成对象。多尺度分割避免了不同地物类型之间的误分，对提高分类精度有很大的帮助。(3)在分割形成对象后，对分类难度较大的植被对象，提取其均值、标准差、NDⅥ等特征，重新构建新的特征空间，然后在决策树里对特征空间进行优化，减小了运算量，提高了分类效率。(4)面向对象方法与基于知识规则的决策树分类方法相结合，可以提高湿地分类精度，较好地解决湿地信息的自动提取问题。多特征集从各个不同的角度表现了湿地特征，利用CART决策树算法进行知识挖掘，提取分类的最佳特征子集并生成相应的知识规则，然后利用正向推理机制进行植被类型的划分。与传统的分类方法相比，分类精度明显提高。