随着遥感技术的发展和卫星空间分辨率的提高，高分辨率遥感图像开始广泛应用于各个领域。SPOT5和QuickBird等高分辨率遥感图像表现出更丰富的地物信息诸如光谱、形状、纹理以及上下文等。但是高分辨率遥感数据通常包含较少波段，光谱信息不如空间特征丰富，分类时不能仅靠光谱特征，更多的是要利用其几何特征和纹理信息。因此，传统的基于像元的遥感图像分类方法存在一定的局限性。近年来广受关注的面向对象的遥感分类思想，将光谱信息、空间结构、纹理信息、甚至专家经验和先验知识作为分类依据，以“均质对象”为分类单元，大幅度提高了高分辨率遥感图像自动分类精度与效率。　　 但由于遥感数据的复杂性、假设条件的差异性等，即使是面向对象的分类也难以避免单一分类器的片面性，从而无法取得满意的分类结果。　　 多分类器融合技术将不同分类器的识别信息进行有机结合，以降低单个分类器的设计难度、全面提取和利用分类信息，达到提高分类精度的目的。近年来，多分类器融合技术在人脸识别、手写字符识别等方向上受到了广泛重视，显示出很大的研究价值和现实应用前景。但在遥感图像处理领域中，尤其是在面向对象的高分辨率遥感图像的分类研究中尚显不足。　　 本文的研究目标是针对高分辨率遥感图像，基于面向对象分类思想，引入多分类器决策融合系统，分析多分类器决策融合系统的类型结构，探索多分类器系统的决策融合策略，设计并实现多分类器决策融合算法，研究其有效性和实用性。　　 故而，本文将面向对象分类技术和多分类器决策融合技术相结合，进行了以下的主要研究工作：　　 1.分析面向对象分类与多分类器融合技术的发展研究现状，总结传统分类方法在高分辨率遥感图像的分析处理中所遇到的问题以及多分类器融合技术的优势。　　 2.面向对象图像分析之前要进行图像分割，得到同质对象。本文首先采用PGF滤波，消除噪声影响，平滑同质区域；然后以基于异质性和尺度概念的图像分割算法对图像进行了分割，并评价了不同尺度对分割效果的影响。　　 3.提出EVM(专家法、投票法、Multi-agent法)混合判别多分类器决策融合算法，并设计了四种子分类器，包括K均值、最小距离、K近邻和SVM。其中对K近邻分类器进行了较大的改进，在决策中以同类近邻的权值和代替同类近邻的个数，有效地弥补样本个数少、可利用信息少的缺点，提高分类准确率。　　 4.以SPOT5遥感卫星数据为例，进行面向对象特征的多分类器决策融合实验。实验结果表明：面向对象的分类精度要高于面向像元的分类精度，且分类结果光滑、无“噪声”干扰；而多分类器决策融合的分类精度也要高于任何一种单一的分类器。