面向对象分类方法是适合于高空间分辨率影像信息提取的技术之一，主要包括最邻近和隶属度函数两种分类方法，具有小样本和高维特征的特点。其中，面向对象隶属度函数的模糊分类更是适合于研究范围较大影像区域。实际应用隶属度函数分类时，一般是针对研究区遥感影像的特点，根据经验知识，人为的分析和尝试极少量的特征，以分类结果好坏决定是否选用该特征。显然这种方式具有一定的主观性和盲目性，缺乏科学性和实用性，选取的特征难以保证分类的精度与速度。本文依托“十二五”计划中“高分数据土地利用要素快速提取技术”课题，针对隶属度分类的特征选择进行了以下研究。1.提出了去除初始特征空间中无关特征的特征选择算法。该算法针对面向对象分类小样本的特点，分别从样本的随机选择、KNN去噪和迭代次数的确定三方面，改进国内外公认较好的特征选择算法Relief系列算法。本文利用该算法从初始63维特征中选择出25维相关特征。实验结果表明，改进Relief算法，更适用小样本数据的面向对象分类特征选择，具有较强去除无关特征的能力，不限制数据类型的特点，可以初次降低特征维数，一定程度上避免了“维数灾难”，为后续的J-M距离提供高质量的相关特征；2.提出了改进Relief算法与J-M距离组合模式的面向对象分类的特征选择算法。本算法特征选择的思想是：利用改进Relief算法获取相关特征集，在此基础上，再利用J-M距离获取基于相关集上类别间的分离度，针对每种地物类别将分离度高的特征选出。实验结果也表明，利用该特征选择算法，可以很容易获取，每类典型地物类型分层提取时对应的特征，提高面向对象隶属度函数分层分类时的效率；无论是从分类精度角度，还是从分类效率的角度都验证了本文特征选择算法的有效性。本文提出的特征选择方法可以有效选取特征，缩小特征范围，缩短了分类时间，具有一定的研究意义和应用价值；3.设计与实现了面向对象分类的特征选择算法。为了验证上述方法的有效性和正确性，本文基于Microsoft.NET Framework2.0/COM技术，设计并实现了面向对象分类的特征选择算法。