高分影像带有丰富的地表信息，随着高分遥感卫星和无人机低空遥感技术的兴起，人们对高分影像的关注度显著提高。影像分类是遥感应用的前提和基础，已有的分类方法不胜枚举，但其本质特征大都需要人工进行干预，即选取一定当前影像的针对性样本来获取足够的先验知识。前期的旧知识与信息很难在当前时期的分类中进行科学匹配和利用，这就引起了重复劳动与资源不能有效利用的问题。　　迁移学习是近年兴起的一种新型、高效的机器学习分类算法。它放宽了传统机器学习的两个基本假设条件，使迁移已有的知识来解决目标问题中没有或仅有少量标签样本数据的问题成为了可能。　　迁移学习作为一种新颖的机器学习方法，在当今已成为计算机领域的一个研究热点。目前，迁移学习在文本、情感、图像分类和协同过滤等方面应用广泛。但迁移学习在遥感影像的分类和识别中的应用研究还比较鲜见。基于这种现状，本文尝试运用Visual-C++、GDAL、OpenCV库进行高分影像的迁移学习分类实验。以浙江省金华市部分区域为研究区，采用2011、2015年0.5米分辨率，2016年0.2米分辨率高分影像数据，研究迁移学习在高分影像的自动化分类与目标检测识别中的应用效果及可行性。　　本文的研究内容如下:(1)影像格式转换:由于OpenCV只支持部分Tiff文件格式，需要借助GDAL函数库作为媒介对影像进行读写。(2)影像分割与尺度集模型:研究如何调整获取适当的均值漂移分割中色彩、空间窗口大小以及当前像素与领域中像素的亮度或颜色正负差阈值。(3)迁移学习样本的选取与分类:多期相同位置影像分割后经过无监督学习如何对比得出每个被分割单元中若干最稳定的像元，判断出其类别;研究特征地物的提取以及提取后为进行轮廓匹配检测，对输入的目标影像和特征地物图像二值化时的参数调整。　　本文取得的主要成果如下:(1)成功实现GeoTiff格式图像的在Visual-C++环境下的读写。(2)利用迁移学习理论，在2011、2015年影像分类的基础上完成2016年主要地物建筑以及周边部分地物的自动化分类，且精度较高，对今后的高分影像自动化分类具有一定的借鉴意义。(3)实现单目标的目标检测识别，但实验中发现影像中不同位置的检测目标色度与亮度不一，所以在影像分割、二值化时所选的参数也不同，使得文中的方法具有一定的局限性。最后，本文也为迁移学习在高分影像中分类识别的进一步研究，提出了一些可行的改善的方向与建议。