无人机遥感具有空间分辨率高、实时性强、载荷更换方便等特点,能够有效弥补卫星遥感空间分辨率不足、获取周期长、载荷固定有限的问题。高分辨率遥感影像的地物分割算法能够在精准农业、城市规划、土地利用等领域中发挥重要作用,极大地节省人力成本,已成为遥感领域近些年来的热点课题之一。本文总结了国内外遥感及人工智能相关领域对地物分割的研究,针对无人机高分辨率遥感影像地物分割过程中存在的椒盐噪声、感知不充分、少样本问题进行了深入研究。本文主要的研究工作和创新成果如下:（1）基于面向对象的机器学习地物分割算法研究。本研究采用无人机搭载多光谱相机在东辽农田采集的影像作为数据源,对该区域的线麻、玉米、玫瑰、河流4类地物进行分割。实验对比了高分辨率影像椒盐噪声影响下,面向对象的机器学习算法和传统的机器学习算法的地物分割效果。实验结果表明,面向对象的机器学习算法可以有效地减弱地物分割中椒盐噪声影响。其中,面向对象的随机森林机器学习算法总体精度OA可达到92.24%,Kappa系数可达到89.04%。（2）基于维度交互注意力机制的深度学习地物分割算法研究。本研究采用无人机搭载可见光相机在吉林大学校园里采集的影像作为数据源,对该区域的植被、建筑、其他3类地物进行分割。实验提出了维度交互注意力模块和U-Net语义分割模型结合的DIA-U-Net深度学习模型,同时对比了多种注意力模块下U-Net的特征感知能力。实验结果表明,基于维度交互注意力机制的深度学习地物分割算法特征感知更充分,可以有效地提升地物分割的整体效果。其中,加深的DIA-U-Net深度学习算法总体精度OA可达到91.37%,Kappa系数可达到86.50%。（3）基于面向对象和维度交互注意力机制的主动学习地物分割算法研究。本研究采用无人机公开高光谱数据集WHU-Hi作为数据源,该数据集包含湖北省龙口、洪湖、汉川区域的9类、22类、16类地物,训练样本占总标注样本的0.1%-0.15%。实验采用基于面向对象和维度交互注意力机制的主动学习算法,用于解决少样本的问题,使用面向对象方法用于样本选择策略部分以筛选最具代表性的样本,使用维度交互注意力模块用于主动学习模型部分以提高模型的特征感知能力。实验结果表明,基于面向对象和维度交互注意力机制的主动学习算法有效地解决了少样本的问题。其中,多轮主动学习算法的总体精度OA、平均精度AA和Kappa系数均可达到98%以上。本文使用无人机高分辨率遥感影像作为数据源,采用面向对象的机器学习算法、维度交互注意力机制的深度学习算法、面向对象和维度交互注意力机制的主动学习算法,逐步解决了多光谱、可见光、高光谱影像中存在的椒盐噪声问题、感知不充分问题、少样本问题,最终形成一个全面完整的地物分割算法体系,为无人机高分辨率遥感影像地物分割未来相关研究提供参考和思路。