森林资源作为陆地上的一种可再生自然资源，极大地满足了人类生存与发展所需的物质资源。植被是构成森林资源的主体，准确地识别植被是研究和利用森林资源的基础和依据，也可为森林资源的管理提供科学合理的建议。遥感技术的发展使得森林植被的信息能够实现大面积、实时、动态地获取，然而常用的多波段遥感无法探测到不同植被光谱的细微差别。高光谱遥感突破了这一局限性，它能够获取从可见光近红外到短波红外的几百个连续的窄波段光谱曲线，可反映出不同植被所特有的光谱特性并获得诊断性光谱，因此在森林植被分类上有很大优势。本文以Hyperion高光谱影像数据为数据源，对长白山森林植被进行分类研究。主要得到以下成果：1．本研究选用的Hyperion影像数据，存在很多“非正常像元”或者质量不好的波段，为保证信息提取的精度，须对其进行一系列的预处理，包括绝对辐射值的转换、波段剔除、坏线修复、垂直条纹去除、Smile效应去除及大气校正。像元值到绝对辐射值的转换得到了Hyperion影像数据的真实光谱反射值；波段剔除去掉了未经过定标的波段和受水汽影响波段；坏线波段的修复处理了数值为0或接近0的数据；条纹去除是对那些含噪声波段进行了修复；Smile效应去除消除了VNIR波段的Smile效应；经大气校正后得到地物真实反射率。Hyperion影像数据经预处理后，数据量变小、影像质量提高且植被的光谱曲线更趋于真实的光谱特征。2．Hyperion影像数据高维光谱数据易导致在分类过程中引起Hughes现象，为提高分类精度，对高光谱影像数据进行了降维处理。针对高光谱数据特点，本研究采用分段主成分和波段指数综合法，不仅解决了分段主成分法在选择波段时存在的相关性问题，而且计算量显著减少。最后选择的最佳波段组合为（33，91，151），该组合波段影像上的植被信息特征较明显。3．分类器的选择是分类问题中关键技术。在研究了面向对象分类中的关键技术及决策树分类基本原理基础上，总结出可利用面向对象及决策树中的CART算法相结合对高光谱影像森林植被进行分类研究。首先采用面向对象中的多尺度分割法对Hyperion影像进行多次分割试验，确定了分割阈值为35，分割后得到特征相对均匀的同质对象作为待处理单元。提取分割对象的特征变量，包括光谱、纹理、形状及地形特征，采用协方差和相关性进行变量的选择。最后利用决策树中的CART算法从筛选后剩余的特征变量中选择最优变量来构建决策树，在树的构建中能够实现分类规则的自动获取并确定分类阈值，减少了人为因素的影响。为了更客观地体现出面向对象的决策树分类法的优越性，本研究采用了传统的基于像元的最大似然法及神经网络法进行了分类对比实验。研究结果表明，面向对象的决策树分类法在森林植被上的分类精度达到最高。面向对象分类与决策树算法结合为遥感影像植被分类提供了一种新的思路，且可更广泛地应用于土地的动态监测及国土资源调查等其他方面。