遥感影像分类一直是国际遥感领域研究的热点和难点问题，经历了从人工目视分类到半自动分类，正在向自动化、智能化方向发展，长期以来一直存在着“重视技术、忽视知识、缺乏本体认识”的问题。本研究以解决该问题为突破口，以主流的面向地理对象影像分析技术GEOBIA(geographic object-based image analysis)为例，从地理本体理论角度出发，提出了遥感影像分类地理本体框架，客观描述地理实体概念本体，构建了遥感影像分类地理本体模型，实现地理本体驱动的影像对象分类方法，为遥感影像分类提供理论依据与模型方法，推动大数据、人工智能环境下遥感影像分类的自动化、智能化发展。主要研究内容及结果如下：

(1) 提出了“地理实体概念本体描述—遥感影像分类地理本体建模—地理本体驱动的影像对象分类”遥感影像分类地理本体框架。提出了遥感影像分类地理本体框架，该框架利用地理本体链接主客观知识，实现对地理实体的统一认知与客观描述，避免不同专家由于不同解译经验带来的结果不一致问题；利用语义网络模型有机组织和显式表达各种知识，以计算机可操作的形式化语言明确表达语义关系；联合数据驱动的机器学习方法与知识驱动的专家规则，实现地理本体驱动的影像对象分类，为遥感影像分类提供标准、科学的框架，客观模型及新型方法，变遥感影像分类的不确定性为确定性，提高影像分类的科学性，推动其自动化发展及工程化应用。

(2) 建立了面向地理本体建模的地理实体概念与知识体系。面向遥感影像分类客观建模需求，从地理知识、遥感影像特征、影像对象特征、专家知识4个方面总结归纳了地理实体领域知识，建立了地理实体领域知识的概念本体框架，提高了地理实体表达的客观性，确保描述地理实体的知识的一致性，避免了专家知识不同导致的结果不一致问题。具体以地表覆盖为例，总结归纳地表覆盖实体的领域知识，构建了地表覆盖实体概念本体，为本体建模奠定知识基础。

(3) 建立了遥感影像分类地理本体模型。在构建地理实体概念与知识体系的基础上，利用网络本体语言OWL(Web Ontology Language)构建遥感影像、影像对象、分类器的本体模型，具体给出了决策树及专家规则两种典型分类器的本体模型，利用protégé本体编辑软件进行模型表达，形式化表达了整个语义网络模型，为分类提供了客观模型。

(4) 提出了地理本体驱动的影像对象分类方法的4个层次。① 影像分类地理本体模型构建；② 图论与分形网络演化相结合的遥感影像并行分割；③ 基于随机森林的特征自动优选；④ 基于语义网络模型的影像对象语义分类。通过研究并行分割、特征优选、语义分类技术，能够得到客观反映地理实体的分类结果及语义信息，实现地理实体领域知识的共享与语义网络模型的复用，推动数据驱动方法向知识驱动方法转变。

(5) 开展面向地理国情普查的地表覆盖分类试验。面向地表覆盖分类中的耕地、林地、园地、草地、房屋建筑(区)、道路、荒漠与裸露地表、水域8种类型，以云南瑞丽市、陕西临潼区为试验区，以ZY-3、WorldView-2高分辨率影像为数据源，以中国测绘科学研究院开发的地理国情要素提取与解译系统FeatureStation_GeoEX、美国斯坦福大学开发的Protégé软件为试验平台，开展了地表覆盖分类试验，结果表明提出的框架、模型与方法具有客观性、明确性、可扩展性、自适应性等特征，能够实现遥感影像分类过程的客观建模、影像对象的语义分类以及领域知识共享。