随着对地观测技术的飞速发展,各类高时空分辨率传感器不断面世,遥感图像数据量呈几何倍数增长,其高效存储和处理技术面临极大挑战。分布式集群的出现为大尺度海量遥感图像的准实时处理分析提供了技术支撑和计算保障。图像处理算法与分布式集群相结合处理大尺度图像成为一种发展趋势,可以拓展现有图像处理算法计算能力和满足多样化图像处理需求。但是,大量面向对象的图像分割算法在直接移植到分布式环境运行过程中仍然面临诸多难题,主要表现为图像瓦片边界的不完整分割对象、分布式方法的数据冗余和计算冗余、Hash分区方法的数据倾斜等问题。围绕上述问题,本文面向Apache Spark平台开展了以下四个方面的研究:（1）面向重复计算的分布式图像分割方法研究。针对面向对象的图像分割算法在图像瓦片边界的不完整分割对象问题,本研究提出了以三个辅助波段（边界信息、类别信息、方向信息）为支撑的中间计算结果信息载体,克服了分布式计算节点中相邻图像瓦片之间的广播通信描述难题;构建了以掩膜提取、像素还原分割、属性信息替换为理论基础的边界不完整分割对象修复方法,实现了图像瓦片边界不完整分割对象的修复。使用两种经典图像分割算法在多个研究区验证,结果表明该方法的图像处理结果与参考真值图像具有更高的相似性。（2）利用辅助信息集成的分布式图像分割方法研究。针对（1）所提的重复计算图像分割方法存在的数据冗余问题,本研究提出了以边界分割对象为主体的缓冲区自动检测机制,解决了依赖人工经验设置缓冲区尺寸的问题;建立了以精简辅助波段数量和范围为目标的辅助信息集成方法,实现了重复计算图像分割方法所产生冗余数据的消减。使用两个种子点图像分割算法在多个研究区验证,结果表明辅助信息集成图像分割方法通过消减重复计算图像分割方法产生的冗余数据有效提高了图像分割任务的运行效率。（3）基于邻域区域先验的分布式图像分割方法研究。针对（1）和（2）所提分布式图像分割方法存在的数据冗余和计算冗余问题,本研究提出了以图像瓦片索引奇偶划分为基础的边界对象单向传输方案,克服了数据混洗过程产生的数据冗余问题;建立了以偶数瓦片边界对象共享及其在邻域扩充奇数瓦片再次生长为理论基础的边界不完整分割对象修复方法,解决了辅助信息集成图像分割方法运算过程中的计算冗余问题。使用超像素算法在多个大尺度研究区验证,结果表明邻域区域先验图像分割方法比辅助信息集成图像分割方法更高效。（4）利用聚类思想的Apache Spark分区方法研究。针对（1）、（2）和（3）实验中所用Hash分区方法存在的数据倾斜问题,本研究通过将图像瓦片视为没有光谱和纹理的图像像素把分区问题转化为均匀、紧凑聚类问题,利用图像布局等面积转换来规划分区种子点并进行图像瓦片聚类,生成了图像瓦片的初步分区;构建了垂直和水平方向相邻分区图像瓦片的动态调整方案,实现了分区之间图像瓦片的均匀划分。验证结果表明该分区方法解决了Hash分区方法存在的数据倾斜问题,同时使任务运行时间和并行度之间实现近似单调线性关系。本文针对面向对象的图像分割算法直接移植到分布式平台所出现的精度和效率问题开展了一系列研究。实验结果表明本文所提分布式图像分割方法均可以解决图像瓦片边界存在的不完整分割对象问题,邻域区域先验图像分割方法还解决了重复计算和辅助信息集成图像分割方法存在的数据冗余和计算冗余等问题。本文所提分区方法解决了Hash分区方法存在的数据倾斜问题。希望本文可为面向对象的图像分割算法在Apache Spark分布式环境下高效运行提供研究基础。