En imágenes de teledetección de alta resolución, la combinación de características complejas de parcelas agrícolas y las limitaciones de los métodos de clasificación manual y tradicional dificultan la extracción automatizada, a gran escala y precisa de parcelas agrícolas. Los principales desafíos incluyen lo siguiente: (1) baja precisión y ruido moteado (o ruido sal y pimienta) en métodos de extracción basados en píxeles; (2) dificultad para determinar parámetros de segmentación para algoritmos multi-escala; y (3) incertidumbre sobre el período óptimo de extracción. Este estudio propone un método de segmentación multi-escala orientado a objetos combinado con una máquina de vectores de soporte, aprovechando la reflectancia espectral, la textura y las diferencias temporales entre parcelas agrícolas y no agrícolas. El método fue validado en varios tipos de parcelas agrícolas en los distritos de Xinbei y Jintan de la ciudad de Changzhou, provincia de Jiangsu, China. Los resultados indican que hay (1) una segmentación multi-escala superior durante el crecimiento vegetativo; (2) parámetros de segmentación óptimos (escala 59, forma 0.2, compacidad 0.6); (3) una mejor separación de parcelas agrícolas de áreas grandes utilizando muestras de carreteras dentro de las parcelas agrícolas; y (4) una mayor precisión de extracción para parcelas irregulares aumentando el tamaño de la muestra. Este enfoque mejora efectivamente la precisión de extracción de parcelas agrícolas, apoyando la identificación de tipos de cultivos y avanzando en la gestión agrícola digital.