基于光谱特征结合机器学习方法准确提取湿地信息并研究其动态变化,对于湿地环境监测和保护具有重要价值。随着人口增加,城乡建设快速发展,围垦、埋填、占用湿地,有害物质排放进入湿地,破坏了湿地生态环境,湿地的面积日益减少。因此,急需一种新的分类手段,以利于湿地的动态监测,湿地环境保护和合理的开发建设。城市建筑物分割是高分辨率遥感的热门研究领域。然而,高分辨率遥感图像的各种外观和复杂的背景使得城市建筑物的精确语义分割成为相关应用中的一个挑战。传统的特征学习方法可以很好地工作,但这些技术的应用仍然存在一些问题,限制了它们的广泛适用性。而现有的网络模型存在参数过多,下采样过程容易造成信息损失。针对上述问题,本文进行了如下工作:1.提出一种基于机器学习方法结合基于对象的图像分析方法来提高中等分辨率遥感影像的分类精度,有效解决了湿地复杂地物难以区分的现象。该方法采用多时相Landsat 8 OLI和Sentinel-2A光学遥感影像为基础数据源,选取光谱波段,光谱指数,纹理特征和穗帽变换特征等多种特征变量,选出最佳特征组合并探讨研究区多种地物类型的可分离性。分析了基于对象方法在不同分割尺度下的分割效果,通过计算方差变化率找到最优分割尺度。最后将最佳特征组合和最优分割尺度应用到基于对象的三种机器学习算法中进行湿地分类。结果显示:最佳特征组合下的各地物可分离性较好,其中非湿地类别可分离性最高,湿地类别中灌木沼泽和草本沼泽较难区分,光谱波段中的NIR和Red波段、穗帽变换特征中Greenness和Wetness特征是适合湿地信息提取的有效波段。基于对象方法中确定分割尺度,形状和紧密度因子设置为152.5、0.1、0.5,这产生的分割效果最佳。三种机器学习方法中,RF分类器对于湿地信息提取的效果最好,总体分类精度（Overall Accuracy,OA）和kappa系数最高,分别为0.9139和0.8917。2.采用基于U-Net++网络的多层次端到端的卷积神经网络结合新型Resblock残差块,针对高分辨率遥感影像的城市建筑分割,旨在提高分类精度,通过剪枝减少模型参数,提高运行效率。网络结构分为两个部分,一部分多层次下采样网络,用于提取图像特征;另一部分是上采样网络,用于将图像恢复成输入图像的大小。该方法加入了新型Res-Net网络的残差块结构,用于解决下采样过程中带来的信息损失问题。结果显示:模型最终大大减少了模型参数,采用新型Resblock残差块的神经网络相比普通单元神经网络的总体分类精度提高了2.08%。