本文选择SPOT5卫星影像为作为数据源,以陕西省佛坪县长角坝乡作为试验区,在遥感分析软件ENVI 4.7和地理信息系统软件ArcGIS 9.2的支持下,通过提取不同尺度的纹理特征,分别与多光谱波段组合进行SVM分类,并根据J-M距离法来计算类别的可分离性,进而判断各种地物的最佳分离尺度,然后将获取的不同尺度下的纹理信息用于多尺度影像分类。在ENVI ZOOM软件支持下,采用面向对象的影像分析技术进行分类,利用多尺度分割技术进行图像分割,然后结合光谱特征、植被指数特征和纹理特征创建分类规则,对试验区的土地利用信息进行提取,并对不同分类方法的结果进行了比较分析,旨在为土地利用/土地覆盖动态变化提供参考依据。研究的结论如下:(1)利用J-M距离法计算了不同地类的最佳可分离性尺度。其中未利用地的最佳可分离性尺度为3×3、水体的最佳可分离性尺度为5×5、耕地的最佳可分离性尺度为7×7、道路的最佳可分离性尺度为11×11、林地的最佳可分离性尺度为13×13和建设用地的最佳分离窗口分别为15×15。(2)将遥感影像中不同地类的纹理特征和光谱特征相结合用于分类,能够更加准确的提取土地利用信息,比单纯依靠光谱特征进行分类,其精度和Kappa系数都有所提高。(3)多尺度纹理参与的分类,能够在一定程度上提高分类的精度,改善分类效果,3×3,13×13,15×15三窗口纹理参与的分类,其总精度和Kappa系数分别为78.50%,0.7380,与单一尺度纹理参与的分类相比,分类精度和Kappa系数都有一定的提高。多尺度纹理参与的分类能够使同一尺度上难以区分的地物更容易区分,并且还能够有效的改善遥感影像中固有的“同谱异物”和“同物异谱”现象。(4)面向对象分类方法可以有效地提高地物的分类精度,其分类的总精度为84.50%,Kappa系数为0.8113,与SVM分类的最大总精度为78.50%,Kappa系数为0.7380相比,总精度提高了6%,Kappa系数提高了0.0733。(5)纹理特征引入到面向对象分类的多尺度分割中,有效地降低了地物的光谱异质性,使得对地物的识别更加合理。