高分辨率遥感影像提供了丰富的居民地光谱和纹理特征，使得在较小的空间尺度上可以观察居民地的细节变化。当前利用高分辨率遥感影像确定居民地分布及变化是全国 1：5万数据库更新的重要任务之一。然而实际生产中多采用人机交互目视判读和手工屏幕跟踪数字化的方法，虽能综合利用居民地的光谱、纹理等特征，判读可靠性较高，但结果却往往因作业人员经验、水平的不同而相差很大，且逐个居民地勾绘，耗时费力，直接影响大规模更新生产的效率和水平。传统的光谱分类方法主要是基于单个像元的光谱相似性，无法有效的利用纹理特征，因此居民地提取效果并不理想。为了提高基于遥感影像的大规模居民地生产的效率和水平，迫切需要发展自动/半自动提取方法。本文结合国家自然科学基金项目[编号 40337055]“GIS空间数据库更新的模型与方法研究”，及国家基础地理数据库更新中居民地提取存在的具体问题，针对面向GIS数据库更新的居民地遥感影像分类提取方法开展了研究，并进行了实验验证。主要研究内容及成果如下： (1)系统的分析和评价了居民地提取的有效影像特征。居民地是由建筑物、道路和植被等多类地物混合构成，在高分辨率遥感影像上，表现为独特的纹理特征。总体而言，居民地的亮度值高于背景地物，其内部亮度变化大，建筑物边缘明显，而农业用地等背景地物内部反差相对较小，边缘信息较弱。针对这一特点通过对典型居民地和背景地物纹理特征的统计和分析，评价了灰度共生矩阵纹理提取算法和边缘点密度提取算法，指出了它们在描述居民地纹理时的优缺点；纹理计算参数的选取是纹理提取方法对居民地识别是否有效的关键问题之一，提出了基于居民地和背景可分性的纹理参数选取方法，通过比较同一参数不同取值得到的纹理影像上居民地和背景的可分性大小，确定该纹理参数的最佳取值；提出了建筑物边缘线密度的纹理特征提取方法，分析了该方法的优缺点。 (2)提出了基于 Kappa系数的居民地纹理特征组合定量选取方法。当参与居民地影像分类的纹理特征间存在冗余信息时，往往会影响分类的精度和效率，因此需要对居民地纹理特征间的相关性进行定量分析。但直接利用相关系数只能确定纹理特征间相关程度，难以决定其取舍与否。由于纹理特征选取的最终目标是希望基于所选的纹理特征组合进行分类，得到精度较高的居民地分类结果，提出了基于Kappa系数的居民地纹理特征组合选区方法，在分析了各纹理特征的相关系数的基础上，用不同纹理组合的分类结果的Kappa系数作为选取适合居民地纹理特征组合的定量评价指标，采用启发式搜索树的搜索策略搜索不同的组合，实现居民地纹理特征组合的定量选取。通过实验验证该方法可以从众多候选纹理特征中选取独立性好、有代表性的纹理特征组合。 (3)提出了居民地纹理分类的高斯混合模型。居民地的构成复杂多变，而且不同类型的居民地在影像上共存，因此居民地在纹理空间中的分布难以符合单高斯分布。背景地物的组成同样复杂多变，往往也难以服从单高斯分布，这使得采用单高斯模型对居民地和背景在纹理空间中的分布建模结果与真实分布存在一定的差异，导致分类错误。高斯混合模型可以利用多个单高斯模型的线性组合对复杂分布进行建模，为了能在纹理空间中建立尽可能准确的居民地和背景高斯混合模型，提出了基于自学习EM算法的高斯混合模型参数估计方法。当分类影像的数量较少时，直接从各影像上选择适量训练样本，估计居民地和背景纹理分类的高斯混合模型，采用贝叶斯分类器进行居民地分类；当分类影像的数量较多时，提出了自适应高斯混合模型的居民地纹理分类方法，从多幅影像上选取适量居民地和背景样本训练得到一个通用高斯混合模型，用于表示与居民地类型无关的特征分布。对于待分类影像，以通用高斯混合模型为先验知识，利用自适应少量样本即可得到居民地和背景的精确高斯混合模型，进而实现居民地的分类。通过实验验证，基于高斯混合模型的分类精度比基于单高斯模型的分类精度有明显提高。 (4)提出了基于空间对象完整性的居民地分类精度评价方法。居民地分类结果经过形态综合、边缘跟踪等处理可以得到有现实意义的居民地对象，它是由相互连通的、类别标识为居民地的像元集合构成。由于分类误差的存在，居民地对象分类结果与真实数据总是存在差异。目前常用的误差矩阵评价方法难以对其进行精度评价。针对这一问题，本文提出了基于空间对象完整性的居民地分类精度评价方法，从居民地对象分类结果是否完整以及完整的程度出发，指出与真实数据相比，居民地对象的分类结果可以分为漏分、重合和误分三个部分，根据各个部分取值的大小可以完全概括分类结果与真实数据的三类关系相等、相交、包含。设计了误分率、重合率和漏分率三个指标，通过计算居民地对象分类结果与真实数据的这三个指标，可以反映出分类结果的完整性以及完整性程度，进而实现居民地分类的精度评价。通过实验验证该方法可以真实反映居民地分类结果的优劣。