高空间分辨率的遥感影像地物细节信息丰富,覆盖区域范围广,已成为地理国情监测、军事侦察、作物生长、城市建设规划等领域的重要数据源。影像分割作为高分辨率遥感影像解译和应用的前提和基础,是从影像中提取地物信息的关键步骤和环节。然而,由于空间分辨率的提高,影像中地物信息提取的难度也随之增大,现有的图像分割方法难以提取具有语义的完整区域,无法满足当前高分辨率遥感影像的应用需求。本文针对现有研究工作的不足,对高分辨率遥感影像分割方法进行了深入研究。本文提出了一种基于区域邻接关系的遥感影像分割方法。首先采用基于形态学梯度的分水岭分割算法利用较小的梯度阈值对影像进行初始分割,得到过分割结果;然后将这些过分割结果根据邻接区域空间分布关系,建立新的区域邻接拓扑结构,依据相似性最大原则在数据网络结构中进行区域合并,迭代直至收敛。针对传统的区域邻接图方法效率低下的问题,本文设计了邻接区域数据结构体来维护区域之间的邻接关系,在保证高分割精度的同时,最大限度地兼顾了计算效率。通过与Mean-Shift分割方法相比较,证明了该方法在分割精度上的优势。基于区域邻接关系的遥感影像分割方法利用了对象区域底层的光谱特性和空间分布特性,能够在一定程度上表示对象区域的属性信息,但由于缺少高层语义信息的约束导致分割精度仍然难以满足实际应用需求。因此,本文在基于区域邻接关系的遥感影像分割的基础上,提出了一种结合区域邻接关系和实体对象特征模型的高分辨率遥感影像分割方法,建立多类实体对象特征模型对地物进行语义描述,依据模型的合并规则在邻接区域网络结构中进行区域合并,最终得到具有实际语义信息的完整区域。将本方法与Mean-Shift分割方法和未引入实体对象特征模型的区域邻接分割方法相比较,利用目视判读和分割精度评价指标对实验结果进行评价,验证了本方法在分割精度上的优越性。