近几年来,在遥感技术、无人机技术等技术的快速发展下,多源高分辨率的航空/卫星影像获取变得越来越容易,且数据体量也越来越大。在遥感大数据时代,作为遥感领域非常重要的研究课题—遥感影像分类及变化检测一直是很多研究者关注的热点。遥感影像分类及变化检测在很多领域有着非常实用的价值,比如地理国情监以及国土、规划和环保等相关行业监测数据库的更新等都需要应用遥感影像分类和变化检测技术。但是,目前在相关领域的应用主要还是以人工目视解译为主。虽然面向对象影像分析技术已经成为遥感影像信息提取的一个新的范式,但在面向对象影像分类及变化检测过程中始终缺乏对地表覆盖要素的概念化、形式化的描述,对地理要素缺乏客观、本质的认识;对分类知识也没有进行统一的完全的形式化的描述,且没有实现相关行业分类及变化检测知识的共享。因此,如何很好的组织遥感影像分类中的高级类别信息和底层特征信息成为当前遥感领域一个重要研究课题。本文以多源遥感影像作为数据源,对遥感影像分类及变化检测进行了相关研究,在遥感影像分类中引入地理本体理论,借助本体可以实现共享概念模型明确的形式化的描述。首先,基于大数据分析技术对影像对象特征进行了信息挖掘分析,并利用本体构建地物特征信息图谱。随后,采用本体建模软件,建立了遥感影像地表信息的概念化、形式化的表达方法,以便有效地组织和形式化影像对象分类特征以及分类规则信息,实现高层分类语义信息与底层特征信息的联系,消除二者存在的语义鸿沟。最后,将地理本体分类本体知识与机器学习算法结合起来对分类方法进行了改进。并利用研究区遥感影像进行了分类及变化检测实验,下面是本论文取得几个重要研究成果及创新点的概述:(1)基于随机森林的影像对象特征分析,利用随机森林具有特征选择的能力,对影像对象的光谱、纹理、几何特征等进行综合分析,借助大数据分析预测软件SPM(Salford Predictive Modeler)计算影像对象特征的重要程度得分、整个森林的平衡误差、袋外数据误差等参数,然后对这些参数进行综合分析,实现分类特征的选择,以及特征的分离阈值。并根据特征选择的结果及特征重要性分析,构建了影像分类规则。(2)以高空间分辨率/高光谱分辨率的航空/卫星影像数据和LIDAR数据作为数据源,对遥感影像分类知识以概念化、形式化的方式进行本体建模,影像分类本体模型包括影像对象特征本体模型、分类规则本体模型和地表覆盖分类本体模型。在此基础上进而提出一种地理本体驱动的SVM(Support Vector Machine)分类方法。与普通的SVM分类相比,该方法通过有效的将分类本体知识与SVM分类器结合起来,提高了SVM分类器的分类精度。(3)在获得高精度的分类结果基础上,结合基期矢量分类数据对分类对象进行变化检测。得到了研究区的变化图斑,计算了地类变化转移矩阵,通过对转移矩阵的分析更加直观的了解了地类的变化流向信息。与人工变化检测的结果相比,分类后变化检测基本达到了人工检测的水平,但速度要比人工检测快。对后期相关数据库的更新给以一定的帮助。