面向对象的高分辨率遥感影像目标识别与分类已成为遥感、摄影测量以及GIS等领域所关注的对象和研究热点之一。面向对象的目标识别是通过对对象的光谱、几何、纹理、空间邻域关系等信息组合来识别目标,可以发现,对象获取的精度将直接影响对象特征提取结果及目标识别精度,因此,对象获取是该类方法的第一步也是关键一步。对象获取的主要方法之一是面向对象的影像分割,面向对象的高分辨率遥感影像分割方法研究也成为图像分割的主要研究方向之一。本文研究了基于图论优化理论的影像分割方法,重点研究基于最小生成树的面向对象的高分辨率影像分割方法,结合遥感影像本身特点与最小生成树的分割思想,设计了边权构造,分割准则,同时设计实现了基于最小生成树的多尺度、多层次的高分辨率遥感影像分割体系,取得较好的结果,论文主要内容和成果如下：1、设计了基于不同距离测度的最小生成树的边权函数构造方案。一种是针对主要数据源(高分辨率多光谱影像)提出了综合波段权重和结合NDVI指数的欧氏距离边权构造方法,提高了植被及建筑物及道路的分割精度；另一种是通过光谱角距离(即余弦角距离)来构造边权,该方案能较好的将道路、建筑物、裸露地以及水体分割出来。2、设计了两种基于边权特性的最小生成树图像分割准则。从快速实现分割角度考虑,重点在分析最小生成树分割实现思想的基础上,提出两种基于边权特点的优化准则,并通过设置尺度参数实现不同尺度的分割。一个是考虑适合于各种边权函数的简单而实用的优化准则,该准则根据边权值是区域边界程度的反应,认为边权值小于某一阈值的两像素必然属于同一区域,而边权值大于某一阈值的肯定属于不同区域,在大尺度下,分割将得到较少边缘,小尺度时将会保留更多边缘细节,通过指定允许保留边界的百分比,采用滞后原则确定合并阈值,从而可以简单有效地完成多尺度分割,实验表明,该准则参数设置方法简单,能很好地保持细节。第二种准则依据统计学习理论,将图像分割看作是一个学习预测过程,根据边权特点构造了损失函数,基于最小化经验风险准则和β一致稳定学习算法提出了基于边权特性的合并优化准则,该准则可以较好地保持区域整体性,避免过分割,适合于高分辨率遥感影像分割。3、研究并实现了一种基于最小生成树的面向对象高分辨率影像的多层次多尺度不规则金字塔分割方法。通过设计考虑空间邻接关系的Disjoint-set数据结构,采用kruskal最小生成树图像分割算法实现对影像的多层次多尺度分割,并用简单图金字塔模型描述多层次多尺度分割结果,为利用多尺度信息进行遥感影像解译及目标识别提供技术支持。4、设计了基于区域统计特性的高分率影像多层次分割准则。在初始分割的基础上,以所得区域为顶点,邻接区域之间用边连接构建新一层图模型,利用区域的统计分布特性,以邻接区域的直方图距离来设计边权函数,以新的区域合并准则进行新一层的基于最小生成树的分割,从而实现多层次分割,保证了同一目标对象的完整性。本文通过对高分辨率遥感卫星QuickBird多光谱影像、全色影像等影像数据进行了分割实验,对实验结果进行分析和评价,并对分割结果进行了基于知识规则的面向对象的目标提取实验,证明了本论文所采用分割方法的有效性。