高分辨率遥感影像的大量获取迫切需要开发适合高分辨率图像的有效的信息处理方法。空间分辨率的提高使得从影像上获取更清晰的空间结构和细节信息成为可能。纹理作为一种反映影像上土地覆盖类别的空间变化性的度量，可提高传统的光谱分类的精度。因此，探索新的纹理计算方法、并有效地应用于图像分类，是高分辨率遥感信息处理的重要研究方向之一。 本文提出了一种计算多光谱影像纹理的方法，引入并扩展多元地统计学方法以计算图像纹理；并探索运用最新的支持向量机(SVM)方法以综合光谱与纹理信息进行图像分类。论文通过实际遥感数据评价和验证了所提出的新方法。 论文首先将多元变异函数引入计算多光谱影像纹理，并将传统的计算两波段交叉纹理的交叉变异函数和伪交叉变异函数扩展至计算两个多光谱影像的交叉纹理，所获得的纹理包括：多元变异函数纹理、交叉多元变异函数纹理和伪交叉多元变异函数纹理。这些多元影像纹理分别反映了多波段影像的共同空间变化、以及两个多波段影像间的交叉相关性，与传统的单波段和两波段纹理所反映的空间信息不同。 为有效地利用所提取的纹理特征，论文利用支持向量机(SVM)方法综合纹理与光谱信息，进行图像分类。探讨了利用最新的合成核SVMs方法进行纹理分类的相关问题，并将该方法扩展至多源信息融合。 论文将所提出的方法应用于单时相和多时相的图像分类及变化检测，评价和验证了所提出的方法。结果表明，加入该方法提取的多元纹理后，单时相和多时相影像光谱分类的精度都显著提高，变化检测的结果得到非常明显地改善；多源信息融合的分类效果比传统的直接综合方法更好。 本文中的纹理计算方法可避免传统方法的波段选择，操作更方便；合成核SVMs方法在信息融合方面具有很大的潜力，未来可尝试用于多传感器数据融合等。