Resumo: Muitos métodos para classificação de imagens de sensoriamento remoto têm sido desenvolvidos desde o lançamento dos primeiros satélites. Esses métodos foram muito eficientes até a década de 1990 e continuam sendo para muitas aplicações com o uso de satélites de média e baixa resolução espacial. Mas com o lançamento dos satélites de alta resolução, voltados, entre outros temas, para o estudo do ambiente intra-urbano, surgiu a necessidade de uma nova abordagem para interpretação das imagens, em função desses sensores capturarem detalhes de cenas muito heterogêneas, como é o caso das áreas urbanas, caracterizadas por uma grande variação interna das classes. Diante disso, a abordagem orientada a objeto e baseada em segmentação multiresolução tem se mostrado bastante eficiente para a discriminação da grande quantidade de alvos urbanos representados em imagens de alta resolução espacial. Porém, esse tipo de classificação exige a experiência de um especialista para operar o sistema. Uma técnica que pode facilitar o trabalho do especialista no sentido de automatizar algumas rotinas da classificação é a mineração de dados, que utiliza técnicas que permitem explorar um conjunto de dados, extraindo ou ajudando a evidenciar padrões de interesse nestes dados e auxiliando na descoberta de conhecimento. Nesse sentido, empregar abordagens cognitivas (rede semântica multinível, lógica fuzzy, análise orientada a objeto) e mineração de dados (algoritmos genéticos, redes neurais) para classificação de cobertura do solo urbano a partir de dados ópticos orbitais e de perfilamento a laser possui potencial para a geração de resultados mais precisos do que os métodos de classificação de imagens empregados convencionalmente.