遥感技术是一种通过传感器探测远距离目标的综合性感测技术。该技术已广泛应用在地理国情普查、抗灾和防汛监测、城市规划与勘测制图、文化遗产和生态环境保护、自然资源探测等领域中。本文针对地理国情普查及监测中需要解决的遥感影像处理问题,重点研究了遥感影像分割和分类技术。影像分割是把影像中的像素通过相似性准则合并在一起,并组成一个能表征地物信息的对象,是面向对象分类的前提和基础。影像分类是通过机器学习算法对分割后的对象进行类别分析和标记。首先,分析了本研究课题的背景和研究意义、存在的难点和未来的发展趋势,介绍了几类经典的影像分割和分类方法。其次,为了精确地评价影像分类的效果,本文分别从主观评价和客观分析两个方面对结果进行了比较分析。最后,为了提高分类器的泛化能力,给出了一种集成学习(Ensemble Learning,EL)思想,把多个基学习器用一种结合策略结合起来组成一个强学习器,这种方法降低了单一分类器的决策错误率。本文的主要研究内容如下:1.针对遥感影像多尺度分割中人工选取带宽的难题和对象合并时出现过合并、欠合并和错误合并的问题,本文首先给出了一种结合影像灰度值和二维直方图来自动调整像素带宽的方法,不仅改善了分割效果而且提高了处理效率。其次,给出了一种基于区域邻接图的区域合并优化算法,该算法同时考虑了对象的光谱信息、纹理和空间位置信息,使影像对象合并时更加合理,并且合并后的对象更能表征影像中的地物信息。2.针对单一分类器在影像分类中对某一对象容易造成错误分类的问题,本文采用EL算法结合多个学习器对待预测对象进行类别标记。首先对影像预处理,然后对预处理后的影像进行分割并提取影像对象的典型特征和专题指数,随后归一化并构成向量空间。其次,使用EL算法得到一个强分类器对待预测样本做出判别和标记,本章最后验证了选择性集成的合理性和正确性。实验结果表明本文算法不仅解决了传统基于像素分析中产生“椒盐效应”的问题,而且降低了单一分类器决策的错误率,提高了分类精度。