近年来,随着遥感大数据时代的来临,单靠人工解析的方式已经满足不了处理海量的遥感影像数据的需求。虽然经过了数十年的应用研究,面向对象影像分析方法已经十分丰富了,但是遥感影像数据的分类的人工参与度仍然很高,发展速度也落后于遥感传感器的发展,如何快速有效的自动提取和解译地物目标信息已成为遥感科学领域迫切需要解决的科学问题。而人工智能以及机器学习的发展给遥感影像分类带来了帮助和新的思路。随机森林作为一种重要的机器学习算法,以其适用小样本和稳定性强等优点以及在处理遥感影像分类问题中的优异表现使得其在近年来获得了很大的关注,在面向对象影像分析中得到了广泛应用。然而,在实际应用中,随机森林也有自己的不足。本文分析了随机森林分类方法的所展现的问题,归纳概括为:对样本不平衡敏感、大量冗余特征容易造成“休斯现象”、模型最优参数有待确定。针对这些不足,本文从样本选择优化、特征选择优化和模型参数优化三个方面入手,研究随机森林分类优化问题,以提高随机森林分类性能。针对样本不平衡问题,本文提出了一种改进的SMOTE算法——pureSMOTE算法,该方法在合成样本时考虑周围样本的分布,避免了噪声产生和样本重叠。并利用对比试验验证了pure-SMOTE方法的有效性。针对特征冗余问题,本文将面向对象影像分析中常用的特征筛选方法——SEaTH方法引入到随机森林,实验表明,经过特征优化的随机森林不仅保证了分类精度而且大幅降低了分类时间。通过对随机森林分类方法模型参数的研究,提出一种基于经验约束的可变步长网格搜索法,利用该方法选取最佳模型参数,在保证分类精度的情况下,大幅缩减分类耗时,从而提升随机森林分类效率,为后期遥感大数据应用打下基础。最后本文通过综合性实验将优化之后的随机森林与传统分类方法和未经优化的随机森林进行对比,证明了优化的有效性。本文的研究对于高精度遥感信息提取具有一定的理论意义和应用价值。