遥感影像分类在森林植被监测、气候变化和海洋探测等方面的应用十分重要。由于遥感影像中地物分布的复杂性和不同的应用背景,地物分类精度的提升成了研究的重点和难点。传统的遥感影像分类算法已比较成熟且应用广泛,遥感影像的分类精度与分类特征的选择和分类算法等多种因素有着不可分割的关系。因此,如何运用或借鉴目前成熟的技术方法,充分利用遥感数据中的丰富信息,提高遥感影像地物分类精度始终是研究的热点问题之一。本文以两种空间分辨率不同的遥感数据为数据源,选取吉林省长春市德惠市为研究区,开展了遥感影像地物分类方法研究。单一时相遥感影像存在“同物异谱,异物同谱”的问题,导致分类精度无法满足实际需求。针对这一问题,本文综合考虑各个时相上对不同地物敏感的优势信息,选取多时相遥感影像用于分类。通过J-M距离计算各类别间的分离度,结果表明,随着遥感影像时相的增加,各地物间的J-M距离逐渐增大。因此,将存在各类地物光谱特征差异的不同时相遥感影像进行组合有利于增强各类地物间的区分度。考虑到数据维数和计算效率,合理选取多个时相下的植被指数和纹理特征作为辅助数据用于地物分类研究,并构建用于分类的特征集合。选取6种单分类器进行监督分类,通过对单个地物的分类精度对比分析得出,基于不同分辨率的遥感影像,K近邻（K-Nearest Neighbor,KNN）对建筑用地的分类精度最高,支持向量机（Support Vector Machine,SVM）和神经网络（Artificial neural network,ANN）对玉米、水稻和水体的分类效果最好,KNN与SVM对不同的地物分类各有优势,可以取长补短。对比各分类器总体精度、平均精度和Kappa系数,不同类型遥感数据上SVM分类器性能最好。在充分借鉴经典的分类算法和集成算法理论的基础上,通过对比分析不同分类器的分类结果,选择分类效果较好的KNN和SVM分类器,采用加权投票法进行集成用于PL数据和Sentinel-2数据遥感影像分类。实验结果表明:KNN＿SVM在两种不同分辨率的遥感数据上的总体精度、平均精度和Kappa系数相较于基分类器、随机森林和Adaboost均有所提高。研究证明了KNN＿SVM在改善影像分类效果上的有效性。但对多分类器的组合个数、组合方式、组合后的性能优化有待深入研究。