从高分辨率遥感影像中提取的地块类别信息在灾情评估、生态评价、城市规划等领域都有着广泛的应用。随着影像空间分辨率的提高，地块细节信息逐渐丰富，单景影像数据量逐渐增加，这些特点给地块分类研究提出了新的挑战。例如，单尺度影像处理方法无法刻画地物不同程度的细节，大数据量使得监督分类中人工参与样本标记的工作量剧增等。针对这些问题，本文在阐述了高分辨率影像地块涵义的基础上，进一步发展了高分辨率遥感影像地块分类流程中分割、样本标记和分类的方法，以减少人工参与程度，并且提高分类精度。　　在高分辨率影像分类的环境下，本文给“地块”重新进行了定义，并进一步从形态层及属性层阐述了地块的两层涵义。对应方法层面，体现为面向对象高分辨率影像地块分类流程中的影像分割、样本采集和影像分类这三大核心内容。同时，文中分别回顾了上述内容的重点算法。　　在影像分割方面，本文提出了基于多层优选尺度的高分辨率影像分割算法。首先，算法采用了分割层的全局特征来选择影像的一组最优分割尺度，并以尺度最大的分割对象为根节点来构建多层次对象树，进而形成影像森林。然后，算法通过比较局部同质性异质性综合评价指数及限制父层光谱特征来选择多层次对象树中的最优对象。通过遍历整个影像森林，算法将得到最终的高分辨率影像分割结果。文中分别采用了Geoeye和资源三号多光谱影像进行分割实验。结果表明，本文提出的算法能够有效提高正常分割影像对象的比例。　　在样本采集方面，本文采用了基于影像样本库的分类方法来尽量减少人工工作量。文中首先提出了影像样本库的构建方法，库中主要存储位置和特征两种形式的样本。根据这两种形式，分别提出了空间及光谱特征限制下的样本选择方法和基于分层匹配的特征样本选择方法。在此基础上，具体说明了基于影像样本库中矢量及特征样本的分类方法。影像样本库中的矢量样本可以直接用于目标影像的分类;但是，特征样本由于分布差异，无法直接用于目标影像的分类。在采用特征样本进行分类时，本文提出了随机森林支持下的迁移学习算法。文中采用了高分一号和资源三号影像进行实验，结果表明，从目标影像直接采集训练样本进行分类得到的结果精度最高。在基于特征样本的分类结果中，本文方法得到的分类精度及可靠性最高。　　在影像分类方面，本文提出了综合分层特征的高分影像地块级土地利用分类方法。算法采用了随机森林来评价分类的不确定性，选取一系列最优尺度中最可信的分类结果作为最终的输出分类结果。本文的实验数据为资源三号融合影像和由资源三号三线阵生成的DEM数据。一共进行了两组实验，第一组仅采用资源三号融合影像进行实验，第二组同时采用资源三号融合影像和DEM数据进行实验，其他条件和第一组实验全部相同。在每组实验中，分别比较了单个尺度的分类结果和本文方法得到的分类结果精度，结果表明，和单尺度分类精度相比，本文算法可以显著地提高分类精度。同时，还比较了两组实验之间的分类精度，结果表明，DEM数据可以显著地提高林地及草地的分类精度，却加剧了城乡建设用地及其他用地的混淆程度。　　最后，本文采用高分辨率遥感影像在灾后耕地受灾范围评估中展开了具体应用，包括:(1)浙江省余姚洪涝灾害耕地受灾范围评估:采用高分一号影像提取灾前余姚地块类别信息，采用环境星数据提取淹没范围，结合灾前及灾后的数据评估了余姚耕地受灾范围。(2)云南省鲁甸县龙山镇滑坡灾害耕地受灾范围评估:采用灾前无人机影像提取研究区的地块类别信息，采用灾后无人机影像提取滑坡范围，综合灾前及灾后的数据评估了研究区的耕地受灾范围。这两个应用表明:本文方法在减灾应用中有实用的潜力。