伴随着高空间分辨率遥感图像的出现与广泛应用，地物之间的“同物异谱”和“同谱异物”现象也变得更为普遍，这给遥感图像分类带来了更大的困难。目前常见的面向对象分类的实现过程主要依据特征距离，即根据模式在特征空间中的距离远近判断其相似性程度，从而实现模式分类。然而高空间分辨率遥感图像具有突出的异物同谱现象，使得许多地物仅依据特征距离往往难以相互区分，需要引入新型的分类模型或分类方法。　　词袋模型把图像看作“文档”，图像的特征作为单词，这样就可以将图像分类转化为类似于文本分类，利用文本分类中的方法来实现图像的分类识别。词袋模型分类方法原理简单，快速高效，并且具有较好的分类性能，在场景图像中已经得到了较好的应用，在遥感图像上也展现出令人兴奋的应用潜力。　　本文面向高分图像信息提取，结合面向对象图像分析方法，对基于词袋模型的分类方法进行了研究，主要内容包括：　　(1)全局、局部遥感图像视觉特征提取方法。本文先利用光谱和形状特征结合的多精度图像分割方法对遥感图像进行空间划分，获取子块进行后续分析。在特征选择方面，本文提取颜色和Gabor纹理作为全局特征，而局部特征除了提取应用较为广泛的点特征，本文还引入了直线特征，利用直线在不同地物中长度、密度等特性的不同，区分地物，实现分类。　　(2)基于多特征的词袋生成方法。本文优化初始聚类中心，选择K-Means++聚类算法获取更为稳定的视觉词汇表。同时，本文选择颜色、纹理作为全局特征建立全局词袋，选择点特征和线特征作为局部特征来构建局部词袋。　　(3)基于串、并联思想的多级词袋模型分类。本文从高分辨率遥感图像的特点出发，引入串、并联思想融合多种特征，结合模糊K近邻分类器和支持向量机分类器，使用多级分类模式实现最终分类。　　本文采用GeoEye-1的2米高分辨率遥感影像，利用所建立的词袋模型进行了分类试验，并将结果和传统的面向对象分类方法进行了对比。实验结果表明本文的融合多种特征的遥感图像多级词袋分类方法效果更优。