相较中低分辨率遥感影像,高分辨率遥感影像能够提供更多描述地表覆盖的细节信息,从而开启了地物分类和提取问题研究的历史新纪元。但是,由于高分辨率遥感影像上存在大量“同物异谱、同谱异物”现象,使得影像分类及解译工作面临巨大的挑战。为了在一定程度上克服这一问题,本文主要从影像空间特征提取、多尺度分割、多特征融合以及多核学习的角度对高分辨率遥感影像地物要素分类问题展开深入研究。完成的主要工作和取得的成果如下：1.对高分辨率遥感影像分类的基本流程、分类器设计及分类精度评价等基础理论和技术进行了系统地梳理。2.针对传统像素级空间特征提取算法容易增加“椒盐效应”的问题,研究并提出了分别利用“超像素”技术和数学形态学理论实现新型空间特征提取的方法,即面积紧致性指数(Size Compactness Index, SCI)和增强形态学阴影指数(Enhanced Morphological Shadow Index, EMSI)。其中,SCI特征构建主要分两步实现：首先利用阂值控制和局部非极大抑制双准则生成“超像素”区域；然后结合区域的面积和紧致性特征来描述地物的形状特征。而EMSI特征则借助CFO算子黑帽变换的差分多尺度形态学序列进行地物形状特征的表达。通过7种空间特征提取方法(GLCM、PSI、SOI、DMPCBR、DMPOBR、EMBI、EMSI)的对比实验发现,SCI特征可获得最高的分类精度,EMSI特征的分类精度略低于SCI,但高于其他的特征提取方法。3.针对高分辨率遥感影像分割问题,研究并提出了一种融合边缘信息的最小生成树多尺度分割算法。该算法首先利用Canny算子对全色影像进行边缘信息提取,之后结合光谱信息和边缘信息构建基于图论方法的距离度量函数获取边权值,并采用最小生成树Kruskal算法得到彩色影像的初始对象,最后综合对象内的光谱、形状和边缘信息完成区域合并,生成分割结果图。实验结果表明：本文算法在分割效果和效率上均优于eCognition 8.0商用软件。利用上述算法的分割结果得到的面向对象GLCM、 PSI特征也优于传统的基于像素级的GLCM、PSI特征。4.为了实施高维光谱特征及空间特征的协同分类,研究并实现了利用直接矢量叠加(VS)对多尺度空间特征进行融合的方法。实验结果表明：所提取的几种空间特征(面向对象GLCM、面向对象PSI、SCI、DMPs、EMBI、EMSI)之间具有相互补充的关系,联合全部或者部分空间特征往往可以取得比单一空间特征更好的分类结果；直接矢量叠加能够将不同表达形式的空间特征有机融合,有利于大幅度提升遥感影像的分类精度。5.在分析复杂情况下利用单核映射方式对所有样本进行处理具有不合理性的前提下,开展了基于多核SVM的分类实验。实验结果表明：在高分辨率遥感影像分类中,多核SVM能够取得优于单核SVM的分类效果。