遥感影像分类是遥感信息提取的重要组成部分，传统的遥感影像分类主要是利用光谱信息作为分类依据，由于光谱信息受到大气吸收和散射、太阳高度角以及观测角度等因素的影响，存在同物异谱以及异物同谱的现象，所以分类精度不高。随着遥感影像分辨率的不断提高，高分辨率遥感影像越来越容易获得，同时高分辨遥感影像带来的优势之一就是目标地物之间的空间结构关系呈现的越来越清楚，而空间结构关系主要表现为影像的纹理特征。纹理特征在影像上表现出一定的区域性，在一定程度上具有较强的抗噪声能力，同时纹理特征的提取技术也很成熟，这也为纹理特征用于高分辨率遥感影像的分类创造了良好的条件。本文采用纹理特征作为分类的依据对高分辨率遥感影像的分类方法进行研究。
　　 本文首先研究现有的纹理特征提取方法，把常用的纹理分析方法归纳为统计分析法、模型分析法、结构分析法以及信号处理分析法。灰度共生矩阵是基于统计的分析方法，反映了不同像元相对位置的空间结构信息，而小波变换是基于信号处理方法，可以对影像进行多尺度分析，增加纹理的细节特征。本文充分发挥灰度共生矩阵能较好反映影像灰度统计规律，而小波分析方法能较好反映影像的多尺度特性，利用两者结合进行纹理特征的提取。
　　 其次，本文研究了遥感影像分类方法，对常用的分类方法进行了综述。由于高分辨率遥感影像的数据量很大，传统的分类方法在处理大量数据以及高维特征分类问题时表现出很大的局限性，本研究采用支持向量机分类算法，它通过解算最优化问题，把特征向量从低维空间映射到高维空间，在高维特征空间中寻找最优分类超平面，从而解决复杂数据的分类问题。在支持向量机参数优化问题上，本文利用遗传算法进行参数寻优，可以得到全局最优解，有效的避免过学习和欠学习状态的发生，而且对不同的影像可以得到不同的最佳参数，有一定的自适应性。
　　 最后，本文研究利用灰度共生矩阵和小波变换提取纹理特征作为分类特征向量，建立支持向量机分类模型对高分辨率遥感影像进行分类试验。本文的试验结果对比传统的最大似然法分类的结果在分类精度有很大的提高，通过试验证明本文采用的基于纹理特征的高分辨率影像分类方法的有效性。