基于地理对象的图像分析(Object-Based Image Analysis,GEOBIA)思想的高空间分辨率遥感影像土地覆盖分类方法在遥感技术中兴旺发展,并产生了许多杰出的成就。但是,由于超高空间分辨率图像(Very High Resolution Imagery,VHSRI)存在异类相似或同类相异问题以及缺乏地形(高度)信息,一定程度上影响了高空间分辨率影像地物分类精度。此外,现有的遥感深度学习分类器,在面对大尺度范围遥感数据地物分类问题时,往往采用单一处理尺度,没有考虑到地学现象的分层尺度依赖性,也进一步制约了高分辨率遥感地物分类精度的提升。因此,针对上述问题,本文提出了激光雷达与光学遥感结合的新思路,以新的方式将卷积神经网络技术与面对对象的遥感影像分类相结合,开展了基于多源数据融合的多尺度分层面向对象卷积神经网络地物分类方法研究。本文的主要工作及成果如下:首先,本文提出了标准归一化数字表面模型(Standard normalized-DSM,StdnDSM),该模型实际上是从数字地形模型和数字表面模型派生的数字高程模型,能够平滑和改善点云和VHSRI的融合,融合数据用于执行多尺度分割,并作为卷积神经网络的训练数据。其次,针对地物尺度复杂性,针对分层的多尺度分割引入了灰度共生矩阵,从计算效率和分割结果等角度论证了分层多尺度分割的适用性与优势。最后,通过区域最大值投票确定地物类别,与基于像素的分类方法和传统的基于对象的分类方法相比,多数投票策略具有更强的鲁棒性,并且避免了因未正确分类的中心点而导致的分类错误。本文以一幅高分遥感影像作为实验数据,以多种方法进行对比试验,印证了所提新方法的可行性和优越性。通过分析实验结果可知,本文提出的方法具有以下优点:(1)方法以分割所得多边形作为分析单元,从而避免了基于像元的地物分类方法的缺点。大幅减缓了混合像元造成的椒盐现象,提高了计算效率,节约了计算资源,并提高了分类精度。(2)卷积神经网络的加入大幅度提升对高分遥感影像的高层次信息的提取和利用,从而提高对高分遥感影像地物分类的精度。(3)多尺度卷积神经网络可提取图像中的多尺度高层次信息,减少尺度效应对分类结果的影响,减少提取和使用高分影像多尺度信息的难度,可进一步提高高分影像的分类精度。(4)激光雷达点云数据与光学遥感数据相结合,可以极大增强影像几何信息,提高多尺度分割效率,并最终改善地物分割效果。