高分辨率遥感影像中的地物内容信息十分丰富且复杂,同时其数据量呈爆炸式增长。如何能快速精确地实现大尺度高分辨率遥感影像精准分割,是当下行业亟待解决的问题。传统分割方法对大尺度高分辨率遥感影像分割具有较高的空间复杂度和时间复杂度,难以有效对影像进行分割以及分割时间过长。而如今热门的深度学习用于大尺度高分辨率遥感影像的分割,需要对大量的数据集进行长时间的学习和训练,对硬件要求也比较高,还可能导致内存溢出和模型不兼容等问题出现。为此,本文以对大尺度高分辨率遥感影像进行快速有效地表达和影像的高效分割为目标,设计并实现一种结合最小生成树和并查集的遥感影像并行分割方法,实现影像的高效精准分割。本文的主要工作如下:（1）提出一种图的MST快速求解方法和一种结合并查集的最小异质区域分割方法。基于图的表达并求解图的最小生成树,根据区域最小异质性准则进行最小异质区域分割得到初始分割结果,然后通过结合隐马尔科夫随机场的FCM算法对初始分割结果进行FCM聚类,得到最终分割结果。为加快影像图的MST求解,提出一种结合路径压缩及按秩合并的并查集的Kruskal算法,并以彩色模拟影像来表述算法的实现过程,并通过实验来分析算法改进前后的求解时间。为加快最小异质区域的分割,提出一种结合并查集的最小异质区域分割方法。最后通过实验来验证本文方法的正确性、可行性和有效性。（2）提出一种结合MST和并查集的影像子块并行分割方法。基于多核CPU环境和并行性考虑,将遥感影像进行切分成子块处理,提出一种多核并行影像图的构建及处理,将影像以网格状形式划分到多线程中,并行快速构建影像像素8邻域的图及边的排序。基于影像的MST模型,提出一种子块并行的最小异质区域分割方法,通过影像子块分割及多核并行方式进行求解。该方法通过实时线程通信,兼顾子块间的最小异质区域合并,具有与串行分割方法几乎一致的分割结果和良好的分割时间加速比。结合子块并行方法寻找一种并行FCM聚类分割算法。最后,通过实验来分析本文并行方法与串行方法的加速比,并与对比方法做分割效果对比和分割时间对比。实验表明,对6.7千万像素高分辨率遥感影像进行影像分割,本文的并行方法比串行方法分割速度提升了10.83倍,相比对比方法提升了4.87倍,且本文方法比对比方法具有更好的分割效果,验证了本文方法的可行性和有效性。