近年来，高分辨率遥感影像广泛应用于农业、林业、海洋、国土资源和环境监测等多个领域，迫切要求人们对高分辨率遥感影像的信息提取进行研究。与中低分辨率遥感影像相比，高分辨率遥感影像具有丰富的形状、结构和纹理信息，传统的主要利用光谱信息的面向像元的分类方法已经不能满足高分辨率遥感影像的处理需求，近十年发展起来的面向对象的分类方法已成为高分辨率遥感影像处理的主要方法。高分辨率遥感影像细节足够丰富，具有类内差异大、类间差异不明显的特点，这给高精度的多类分类带来了挑战。传统的多类分类算法，一般都是将所有类别的样本同时输入多类分类器进行训练，然后利用训练好的多类分类器对所有类别的测试样本进行直接分类。这种多类样本同时训练再分类的方法将所有类别的样本同等看待，忽略了不同类别样本间的相关性以及每类样本的独特性，使得分类精度的提升受到了一定的限制。我们注意到，通常解译专家在对遥感影像进行目视解译时，不是对所有类别的样本同时进行解译，而是先把最容易区分的类别找出来，再找次容易区分的类别，直至识别出所有的类别。另一方面，不同类别的影像对象可能共同具有某些相似特征，我们称之为“共享特征”，它们可以作为区分这些共享特征的类别与其余类别的重要信息。本文模拟人的这种目视解译方式，提出一种基于共享特征的多级二叉树分类算法，把多类分类问题划分为多个两类分类问题，每级两类分类都利用GentleBoost算法提取“共享特征”，仅解译一类目标，已解译的类别不再参加后面的分类，利用这样的逐步“淘汰”机制完成一幅遥感影像的全部解译。实验结果表明，多级二叉树分类算法能够很好地模拟人的这种目视解译过程，提取共享特征能够提高多级二叉树分类算法的分类精度，采用基于共享特征的多级二叉树分类算法对高分辨率遥感影像进行分类，可以获得较好的分类效果。