遥感地物分类作为从遥感影像获取信息的重要手段,在地理国情监测、环境保护和灾害评估等诸多领域中发挥着重要作用。在遥感影像中,主要可分为高光谱影像与高空间分辨率的多光谱影像。然而,由于遥感影像的成像差异性,导致不同类别的影像存在不同的特性。在高光谱影像中,高维度的光谱特征存在大量光谱信息的冗余,容易产生维度灾难问题。同时,在高光谱影像中存在标签较少且样本分布不均衡等问题,给高光谱影像地物分类提出了极大的挑战。相较于高光谱数据而言,多光谱影像的空间分辨率往往更高,能够获取大范围的数据。但是,多光谱影像在相邻像素中存在大量光谱的冗余信息,加之不同地物的形状各异,难以捕捉对象之间的特征关系,加大了多光谱影像地物分类的难度。作为新兴的一门技术,图神经网络是将图数据结构和卷积神经网络结合而产生的一种新型神经网络模型,具有局部空间感知、语义特征和空间关系约束等特点,有利于解决遥感地物分类存在光谱信息与空间特征的冗余等问题。此外,图结构能够很好的构建空间上的对象依赖关系,同时能很好的提取数据中丰富的光谱特征。因此,图神经网络为遥感影像地物分类提供了一种新的解决方案。本文针对高光谱和多光谱影像数据的特性,对遥感影像地物分类方法展开研究,通过挖掘图神经网络的特性,并结合地学知识,提出两种图神经网络,用以实现高光谱和多光谱影像地物的精准分类,旨在进一步提升遥感影像地物分类的性能。本文具体研究内容如下:（1）针对高光谱影像数据存在的维度灾难及样本标签较少等问题,本文提出了一种基于空谱特征融合的多尺度图卷积网络（MSGCN）,用以实现高光谱影像地物分类。在该网络中,通过1×1卷积从光谱维度中选择有效的波段（降维）,以获得更抽象的节点特征和边的特征。在图卷积过程中,本文利用多尺度卷积模块实现了高光谱影像的精准分类。此外,多尺度卷积模块通过多阶邻近关系实现空谱特征的深度融合。在实验中,选取3个通用的高光谱数据集来验证本文方法的有效性和鲁棒性。（2）针对多光谱影像在空间特征中存在噪声及冗余信息,且难以捕捉对象层次的特征关系等问题,受U-Net与图神经网络的启发,本文提出了一种U型面向对象的图神经网络（U-OGNN）,用于提升多光谱影像地物分类的性能。首先,综合考虑光谱和几何特征,通过超像素分割算法获得分割较为均匀的对象;其次,将这类对象看作是输入到U-OGNN中进行上下文关系描述的实体节点;然后,设计了一种基于节点深度特征的自适应构图策略,通过构建全局关系实现空谱特征的深度融合;最后,设计了一种新的U型图神经网络结构,以捕获不同层次的抽象语义特征。通过实验证明,与其他模型相比,本文方法在公开的高分影像数据集与山东土地覆盖数据集上能够取得较好的性能。