高空间分辨率的遥感影像具有更加清晰的地物轮廓、更易于判读的纹理几何特征等优势,被广泛应用于农业监测,灾害估计,城市分析,土地利用调查等领域。然而,高分辨率遥感影像表现出了同物异谱和同谱异物的性质,使得同一类别的目标光谱差异性较大,而不同类别的目标光谱差异性较小,因此高分影像的应用仍面临一些迫切需要解决的问题。经典的分类方法往往采用影像中的光谱信息,而忽略了影像所包含的丰富的空间信息。面向对象分割的高分辨率遥感影像分类方法中,将分割对象整体作为分类的基本单元,由具有相似纹理几何等特征的像素集合构成。然而,面向对象分类方法的制图结果依赖于分割尺度的确定,在复杂的高分影像中,地物又常以大小不一的尺度存在,因此选择最优尺度较为困难。条件随机场是一个能够在统一的概率框架下融合高分影像的光谱和空间上下文信息的模型,不依赖于分割尺度,演变为高分辨率遥感影像分类的一种重要方法。但是,已有条件随机场的分类方法的仍存在一些问题:（1）现有的模型在构建多项势能函数时,主要由人工手动设置参数,导致模型的自适应性较差;（2）目前模型在推理时主要针对像元周围的固定邻域,未挖掘影像在更大尺度上的空间信息。根据上述,本文基于条件随机场模型能够融合影像光谱、纹理、位置、相互关系等多种信息的优点,结合影像中的空间同质性信息,进行了自适应条件随机场模型的科学研究,主要研究工作和创新点如下:（1）高分辨率遥感影像分类模型的基础理论研究。本论文针对高分辨率遥感影像的分类的具体应用需求,阐明了现有的分类算法的基本理论,并将其归纳为面向像元的、面向对象的和随机场的分类方法。（2）提出了基于空间同质性的自适应条件随机场分类模型。目前,基于条件随机场的传统分类方法忽略了像元的多项势能函数的差异性,单一的人工选择参数导致模型的自适应性较差。因此,本文设计了一种基于空间同质性的自适应条件随机场模型,该模型结合航空图像的同质性来实现自适应参数控制,有效平衡像元的一元势能和二元势能的影响。在条件随机场模型的框架中,这种为单个像素调整参数的策略可以有效地融合空间上下文和位置关系信息。使用Quick Bird,IKONOS和Worldview数据进行实验,结果证实了本论文提出的算法的具有一定的优越性。（3）提出了基于邻域自适应的条件随机场分类模型。目前,基于条件随机场的算法普遍使用固定邻域进行模型推断,这限制了模型在较大空间范围内更自由地推断过程。我们采用了形状自适应的方式,为不同的像素设置了不同的邻域,并收集了更丰富的空间上下文信息。采用Quick Bird和IKONOS数据进行实验,结果证实了本论文提出的算法的具有一定的优越性。