离子吸附型稀土矿是重要的战略资源,长期的粗放式开采导致矿区地表覆盖遭到严重破坏,生态环境面临严重挑战。准确精细的土地利用信息是矿区生态恢复和过程监管的重要基础,利用高光谱影像获取土地利用信息被认为是准确监测大范围矿区的有效手段。然而,稀土矿区的地物复杂性和高光谱图像的信息冗余给其精细分类带来了挑战。本研究构建了一种基于面向对象思想和多层注意力卷积神经网络的稀土矿区精细分类方法。首先利用尺度参数估计模型定量分析了稀土矿区影像的多层次最优分割尺度,并获取了分割影像中的光谱、指数、纹理、几何4类影像特征,然后基于距离可分性分析得到了最优特征组合,在此基础上应用多层注意力卷积神经网络(OCTC)模型完成分类,该模型由一维卷积神经网络(1D-CNN)改进而来,通过引进Transformer和CBAM提升模型的特征提取能力和整体分类精度。为验证方法的有效性,以“珠海一号”高光谱遥感影像作为数据源,以江西赣南岭北稀土矿区作为研究区域进行实际验证,并与KNN、 RF和1D-CNN分类方法进行精度对比分析。结果表明,该分类方法有效避免了椒盐现象的出现,分类整体性好,并且改进后的多层注意力卷积神经网络模型获得了最佳的分类精度,其总体精度可达88.11%,较其他分类方法提高1.22%~8.84%, Kappa系数提高了0.015 9~0.109 0。该方法能为稀土矿区的土地利用精细化分类与生产监测、环境保护管理提供方法借鉴与科学参考。