遥感影像分类是人们快速、全面了解地面信息的重要手段。高分辨率遥感技术的快速发展,为人类更好的了解地面覆盖情况提供了有利的工具。目前分类精度和分类效率问题是制约高分辨率遥感影像数据应用的瓶颈。因此针对高分辨率遥感数据,研究新的流程方法提高遥感信息的提取精度和分类效率,具有十分重要的意义。　　 目前的遥感领域监督分类研究多注重分类算法的改进,而实际上,训练样本的准确度和有效性以及遥感数据源的信息量均对分类精度和效率有一定程度的影响。本文研究着眼于训练样本选取与有效利用以及多源数据综合利用,一方面重点探讨了如何改进监督分类流程,真正提高样本选取的自动化程度和分类效率；另一方面考虑到土地覆盖信息的类别提取精度受遥感影像数据信息量的制约,因此我们进一步讨论了综合利用高分辨率的主被动遥感数据如何进行特征提取以及有效分类。本文围绕上述问题,开展了一系列研究,主要内容如下:　　 1.针对遥感影像分类中的分类效率问题,样本选取的盲目性问题、样本集利用的有效性问题,在将训练样本集的构建过程与分类器的训练结合进行样本选取的思想基础上,提出了基于概率估计的主动支持向量机算法(PA-SVM)以优化训练样本集和SVM分类器,指导和简化训练样本的选取。研究分别对模拟数据与遥感数据进行了一系列分类实验和精度测试,验证了该方法的实用性,表明利用PA-SVM算法可以实现训练样本集的更有效利用和分类器的优化,能够在保证分类精度的前提下,大大降低分类器支持向量的数量,从而能够降低分类计算复杂度,提高分类效率。该方法可以用于引导和简化训练样本的选取。　　 2.针对遥感目标的单类提取的问题,提出了将主动学习的方法引入到遥感影像单类分类中以解决单类分类中训练样本集的选取的盲目性问题。实验将基于主动学习的支持向量描述算法(ASVDD)应用于高分辨率多光谱目标识别提取中,指导和简化目标类样本集的选取和构建,其结果验证了该方法能够达到理想的分类精度。研究同时探讨了分类器核函数参数的选择对分类算法精度的影响,结果表明,利用主动支持向量描述算法(ASVDD)能够降低核函数参数对分类质量的影响,增强分类稳定性。　　 3.主动遥感与光学遥感在扫描方式、成像机理等方面诸多不同,激光雷达(LiDAR)将激光用于回波测距和定向,能够准确地反应地表覆盖的三维信息,与光学遥感体现的光谱反射率特征有根本上的不同。本研究探讨了如何综合利用主动遥感的机载LiDAR点云数据与被动遥感高分辨率光学数据,结合面向对象的方法,进行遥感土地覆盖信息的识别。研究表明结合LiDAR主动遥感数据,能够有效的运用LiDAR数据的三维高度信息、光学数据的光谱信息,可以得到较为理想的地类分类精度,并同时能够提取更为精细的类别。