随着遥感技术的发展,尤其是传感器的发展,遥感影像的空间分辨率大大提高,由原来的Landsat7 30米空间分辨率发展到现在亚米级高分辨率影像,遥感影像的在土地利用覆盖中的应用也越来越广。高空间分辨率影像不仅具有详细的空间细节信息,同时也具有丰富的波段信息。然而,传统的基于像元的分类方法不仅不能有效地利用高分辨率影像的空间纹理信息、形状信息以及空间拓扑关系,还会使解译结果出现椒盐现象,产生大量无效破碎的图斑。因此,在使用高空间分辨率影像获取土地利用覆盖信息时,常使用人工目视解译。这种方法不仅成本较高,而且需要大量的人力物力才能完成。由上可知,传统的影像解译方法已不能满足高空间分辨率影像信息提取工作的需要。World-View2作为目前分辨率较高商用卫星,不仅分辨率很高,波段信息也丰富,在实际生产生活中应用尤为广泛。然而在实际应用中,为保证分类精度,多采用人工目视解译。针对上述问题,为了更加高效、准确地提取World-View2高分辨率影像信息,本文通过对常用面向对象影像分类方法研究,结合World-View2本身波段信息,利用多尺度分割方法,采用最邻近分类法、隶属度函数分类法、决策树分类法对研究区影像进行分类,通过与人工目视解译结果相比较,对上述面向对象分类方法进行评价分析。首先,本文以鲁甸县境内World-View2影像为研究对象,对World-View2影像进行了数据预处理和波段融合,获取研究区分辨率为0.46米的多光谱影像。其次,本文在对World-View2影像波段研究的基础上,对研究区影像进行了多尺度分割参数研究,获取了各分类类别的最优分割参数。最后,本文结合World-View2影像波段信息,使用最邻近分类法、隶属度函数分类法、决策树分类法对研究区影像进行分类研究,并使用人工目视解译结合野外验证,对各分类结果进行精度评价。分类结果表明这三种分类方法均能在一定程度上快速提取影像信息,但各有特点:最邻近分类法操作简单,需要样本少,计算速度快,但分类精度最低,其分类结果受到样本分布影响,要求样本采集时能在图像内均匀分布;隶属度函数分类法无需训练样本,但需对影像对象的值域范围进行研究,同时能灵活运用个隶属度函数来表达每个分类类别,属于对各个地类特征进行定量研究,分类精度较高;决策树分类过程中对于样本依耐性较强,需要选取非常具有代表性的样本进行训练,虽然对样本空间分布要求不高,但是对样本代表性要求很高,分类精度受样本质量影响严重,但其分类精度较高,不需要对各地类进行定量分析。