Com o advento de novas tecnologias e a capacidade de aquisição de imagens de muito alta e altíssima resolução espacial, em inglês, respectivamente, Very High Resolution (VHR) e Ultra-High Resolution (UHR), por meio de sensores imageadores embarcados em Aeronaves Remotamente Pilotadas (ARP) ou satélites, o uso do Sensoriamento Remoto (SR) é cada vez mais ampliado. Contudo, a classificação de áreas urbanas continua sendo um desafio, devido a quantidade e variabilidade de materiais existentes no ambiente urbano. Nesse sentido, a abordagem GEOBIA (Geographic Object-Based Image Analysis) tem ganhado significativo espaço no SR. A classificação orientada a objeto vem obtendo melhores resultados que a abordagem pixel-a-pixel, pois caracteriza melhor os alvos da imagem, principalmente em ambientes urbanos. Neste trabalho, foram utilizadas imagens de diferentes resoluções, obtidas com ARP, e imagens satelitais de alta resolução. O desafio proposto foi separar 21 diferentes classes de uso e cobertura do solo do ambiente urbano, utilizando imagens UHR e VHR, com apenas três bandas espectrais da região do visível (RGB). A segmentação foi realizada em duas etapas: Segmentação Multiresolução, seguida pela Segmentação por Diferença Espectral. Foram realizados diversos testes de segmentação, variando-se os parâmetros relacionados (escala, forma, compacidade e diferença espectral), com o objetivo de encontrar uma segmentação adequada. Considerou-se o uso de 8 classificadores supervisionados, utilizando-os individualmente (Random Forest (RF), Árvore de Decisão, Multilayer Perceptron (MLP), Support Vector Machine (SVM), AdaBoost, Deep Learning (DL) e Logistic Models Tree (LMT)) e em conjunto (Vote ou Ensemble). Foram realizadas 184 classificações distintas, divididas em 4 estudos de caso considerados. Para a validação dos resultados, foi gerada uma Verdade de Campo, contendo os valores de referência para os segmentos da imagem. Para cada classificação realizada, foi gerada uma Matriz de Confusão, comparando o valor de referência com o valor obtido, a partir da qual realizou-se a análise do valor da acurácia alcançada, por meio da Exatidão Global (EG) e Índice Kappa (IK). Também foram registrados os valores do Tempo Total de Processamento (TTP). Na literatura, as métricas avaliativas baseiam-se na acurácia e no TTP. Porém, uma relação entre os dois fatores não é considerada. Propôs-se a criação de um Índice Relacional de Exatidão e Tempo de Processamento (APTRI) para avaliar os classificadores no que tange à relação EG-TTP. Os resultados foram analisados considerando-se três diferentes situações nas quais as prioridades são a EG, o APTRI ou o TTP, compilando os valores com relação à resolução, classificador e aplicação. Os melhores resultados foram obtidos: em relação ao TTP, pelo classificador Árvore de Decisão; em relação à EG, pelos classificadores RF, AdaBoost e Vote; e em relação EG-TTP, obtido por meio do cálculo do APTRI, os classificadores: RF, AdaBoost, MLP e DL.