Las redes neuronales profundas basadas en datos han demostrado su superioridad en la clasificación de imágenes de teledetección de alta resolución (HRSI) basadas en objetos superpíxel. Actualmente, la mayoría de los métodos de clasificación de HRSI que combinan el aprendizaje profundo y la segmentación de objetos superpíxel utilizan múltiples escalas de apilamiento para satisfacer la extracción de información semántica contextual de un objeto analizado. Sin embargo, este enfoque no considera las dependencias a larga distancia entre los objetos, lo que no solo debilita la representación de la información de características, sino que también aumenta la redundancia computacional. Para resolver este problema, se propone una red dependiente a larga distancia basada en superpíxeles para la clasificación de HRSI. Primero, se utiliza un algoritmo de segmentación de superpíxeles para segmentar HRSI en objetos de análisis homogéneos como entrada. En segundo lugar, se propone una red neuronal convolucional profunda de múltiples canales para el mapeo de características de los objetos de análisis. Finalmente, diseñamos un marco dependiente a larga distancia basado en una red de memoria a corto y largo plazo (LSTM) para obtener relaciones contextuales y emitir clases de objetos de análisis. Además, definimos el rango semántico e investigamos cómo afecta la precisión de clasificación. Se realiza una prueba utilizando dos HRSI con precisión general (0.79, 0.76) y coeficientes kappa (0.92, 0.89). Se adoptan comparaciones tanto cualitativas como cuantitativas para probar la eficacia del método propuesto. Los hallazgos concluyeron que el método propuesto es competitivo y consistentemente superior al método de comparación de referencia.