随着遥感技术的不断突破,遥感影像的空间分辨率已经从几十米提升至亚米级,高分影像的光谱、纹理、几何等特征信息十分丰富,采用多种特征参数进行遥感影像分类已成为近些年的研究热点。影像分类主要包括基于像元和面向对象两种,基于像元的分类方法主要依据影像的光谱特征来进行分类,很难满足高分遥感影像的分类需求;相较基于像元的分类方法,面向对象分类是以分割对象为基本单位,充分结合遥感影像多种特征信息,能够有效避免“同物异谱、同谱异物”等现象的发生。本文基于GF-2遥感影像,选取长春市北湖区域作为研究区,研究面向对象的单层次和多层次分类与基于像元的SVM和CART决策树等高分遥感影像分类方法。首先,运用ESP尺度评价工具并计算综合异质性指数确定了多层次和全局的最优分割尺度;其次,选取光谱、纹理、专题指数三种特征构建初始特征空间,并采用随机森林算法进行优化工作;最后,采用面向对象和基于像元的分类方法,对研究区内的六种地物进行分类识别,对分类方法进行对比分析。主要研究如下:（1）最优分割尺度的选择。首先,通过计算OIF指数确定了最优波段组合及波段权重,采用控制变量的方法确定了均质因子及最优尺度区间;其次,通过ESP尺度评价工具确定了多层次最优分割尺度的可能值,并采用目视判别方法依次确定了不同层级最优分割尺度;最后,计算综合异质性指数确定了全局的最优分割尺度。（2）特征空间的构建及优化。首先,采用J-M距离分析法对训练样本的可分离性进行评估;其次,选择影像分类中较为常用的特征构建初始的特征空间,其中包含8种光谱特征,6种专题指数特征和16种纹理特征;最后,运用随机森林算法对以上30种特征进行重要性分析并完成特征优化,最终确定10种特征作为最优特征组合。（3）基于多特征参数的高分遥感影像分类。本文采用面向对象的单层次和多层次分类,基于像元的SVM和CART决策树分类,对影像分类方法展开了研究。研究表明:在四种分类方法中,多层次阈值分类精度最高,总体精度为0.8780,Kappa系数为0.8420;在基于像元的分类方法中,SVM取得的分类精度要略高于CART决策树,总体精度为0.7940,Kappa系数为0.7370;在本文中,无论是多层次还是单层次的分类方法,面向对象分类取得的精度均高于基于像元分类。