شناسایی عارضه ساختمان در سال های اخیر به دلیل رشد شهرنشینی و گسترش دامنه شهرها اهمیت بالایی یافته است. شناسایی ساختمان ها به عنوان مهم ترین عارضه ی شهری جهت پیشبرد سیاست های توسعه شهری، برنامه ریزی و طراحی شهری، آمادگی در برابر خطرات بلایای طبیعی نظیر سیل و زلزله و یا حوادث غیرمترقبه نظیر آتش سوزی مورد تحقیق بسیاری از محققان بوده است. منظر شهری بسیار پیچیده و متراکم است از این رو با توجه به مزایایی که داده لایدار و تصاویر بزرگ مقیاس در آن واحد در اختیار ما قرار می دهند؛ این دو داده به عنوان ورودی الگوریتم پیشنهادی انتخاب می شوند. در این تحقیق دو مجموعه داده جهت پردازش به الگوریتم معرفی می شوند. مجموعه داده اول شامل تصویر طیفی هوایی و داده لایدار است. مجموعه داده دوم شامل تصویر ماهواره ای و داده لایدار می باشد. تحقیق پیش رو سه فاز اصلی را در بر می گیرد. در فاز اول تصاویر طیفی با مقیاس بالا پیش پردازش می شوند تا برای ورود به الگوریتم آماده گردند. پیش-پردازش برروی داده لایدار با هدف حذف نویز و تولید لایه dsmn انجام می گیرد. لایه های رستری شده لایدار با داده طیفی هم مرجع می شود. هم مرجع کردن دو داده از اهمیت بالایی برخوردار است چرا که سنگ بنای پردازش ها و آنالیز شی مبناست. فاز دوم شامل انتخاب پارامترهای مناسب قسمت بندی سلسله مراتبی و اعمال آن ها به لایه های ورودی است. انتخاب این پارامترها به صورت سعی و خطاست که از طریق ارزیابی بصری نتایج حاصل از قسمت بندی انجام می شود. روش قسمت بندی، روش چند مقیاسه است که امکان انتساب وزن به لایه های ورودی نیز در آن وجود دارد. آنالیز شی مبنا بر روی مجموعه داده اول به دلیل بالا بودن سطح جزئیات در سه سطح قسمت بندی انجام می گیرد. برای مجموعه داده دوم تنها یک سطح قسمت بندی داریم. بعد از تولید اشیا باید ویژگی های مناسب جهت انجام کلاسه بندی شی مبنا معرفی شوند. انتخاب ویژگی مرحله ای حساس و مهم است چرا که دقت نتایج کلاسه بندی را کنترل می نماید. انتخاب ویژگی نیاز به دانش درباره منطقه مطالعاتی و خصوصیات داده مورد نظر دارد. بعد از انتخاب ویژگی ها، کلاسه بندی بر روی مجموعه داده اول به چهار روش حدآستانه گذاری، نزدیک ترین همسایه، نزدیک ترین همسایه فازی و ماشین بردار پشتیبان انجام می شود .سه روش حدآستانه گذاری، نزدیک ترین همسایه و ماشین بردار پشتیبان نیز بر روی مجموعه داده دوم اعمال می شوند. در فاز سوم ارزیابی و تفسیر نتایج صورت می گیرد. جهت مقایسه نتایج روش کلاسه بندی شی مبنای مجموعه داده اول از روش آنالیز پیکسل مبنا با روش کلاسه بندی درخت تصمیم گیری استفاده می شود. کلاس های اصلی ساختمان، درختان، بوته، چمن و راه هستند. در نهایت با ارزیابی نتایج کلاسه بندی بر روی مجموعه داده اول مشخص گردید، دقت کلی روش نزدیک ترین همسایه در سطح اول سلسله مراتب 1 است که بالاترین مقدار را نشان می دهد. ضریب کاپا، دقت تولیدکننده و دقت کاربر برای کلاس ساختمان در این سطح برابر 1 می باشد. در سطح دوم سلسله مراتب و در ارزیابی پنج روش با حضور پنج کلاس دقت کلی در مجموع برای روش نزدیک ترین همسایه ماکزیمم است و برابر 0/982 می باشد. ضریب کاپا، دقت تولیدکننده و دقت کاربر به ترتیب 0/938، 0/95و 1 هستند. ارزیابی نتایج کلاسه بندی مجموعه داده دوم نشان می دهد، نزدیک ترین همسایه با دقت کلی 0/92 بهترین عملکرد را داشته است. دقت تولید کننده، دقت کاربر و ضریب کاپای کلاس ساختمان برای این روش به ترتیب برابر 0/95 ، 0/934 و 0/87 می باشد. با این وجود پارامترهای دقت مجموعه داده دوم پایین تر از پارامترهای دقت مجموعه داده اول می باشد. این امر را می توان به پایین تر بودن قدرت تفکیک مکانی و عدم حضور باند مادون قرمز نزدیک در این مجموعه داده نسبت داد.