Os espaços urbanos são compostos, majoritariamente, por objetos de pequena dimensão e com relações complexas entre si, de modo que para a classificação do seu solo é exigido imageamento de alta resolução. Entretanto, os métodos tradicionais de extração de informações em imagens de alta resolução, sejam de nível aéreo ou orbital, ainda apresentam algumas limitações. A fotoanálise acrescida da vetorização em tela, embora seja o método mais adotado para a extração de informações urbanas em imagens de alta resolução, pode ter a sua aplicação prejudicada por objetos com contornos complexos, pela subjetividade da interpretação do analista e pelo tempo de trabalho demandado para grandes áreas. Ademais, os métodos tradicionais de classificação de imagens digitais, embora reduzam ou eliminem os problemas da fotoanálise, também apresentam limitações para a classificação do solo urbano com imagem de alta resolução, devido à informação espectral contida nessas imagens não ser suficiente para discriminar os alvos. Esse problema pode ser contornado utilizando camadas auxiliares com atributos de diferentes fontes, os quais viabilizam a discriminação de classes espectralmente semelhantes. Diante do exposto, este trabalho propõe uma análise conjunta de imagens aéreas, modelos do terreno e imagens provenientes de operações aritméticas, para o reconhecimento de padrões nos dados e classificação do solo urbano. Para a realização dos experimentos, nos softwares QGIS e SPRING, foram utilizados Modelo Digital do Terreno, Modelo Digital de Elevação, bandas espectrais de ortofoto com GSD de 8cm e imagem de intensidade. O desenvolvimento da pesquisa teve início com a aquisição de amostras de classes, a partir da qual iniciou-se o reconhecimento de padrões nos dados para a definição de limiares. Foram investigadas as razões de bandas S1 e S2 e os índices de vegetação GLI, VARI, RGBVI e GRVI, cujas equações utilizam apenas as bandas do visível. Os principais resultados apontaram que: i) a variável intensidade pode revelar propriedades hídricas que subsidiem estudos mais específicos de composição da água; ii) as aritméticas de bandas na faixa do visível, quando aplicadas às imagens de alta resolução, além de realçarem a vegetação, servem para identificar alguns tipos de telhados; iii) as operações S1, GLI e RGBVI são potenciais para classificação da cobertura vegetacional urbana; iv) as operações VARI e GRVI são potenciais para a classificação da cobertura edificacional do tipo telhado de cerâmica, sem fazer distinção quanto ao seu estado de conservação; v) a variável altimetria é potencial para discriminar classes que possuem respostas espectrais semelhantes; vi) a classificação por máxima verossimilhança, quando aplicada em recortes com classes de sutis variações espectrais, viabiliza a discriminação dessas classes. Por fim, foram classificadas dez classes de alvos, a saber: cobertura vegetacional de baixo porte, cobertura vegetacional de médio porte, cobertura vegetacional de grande porte, telhado cinza claro, telhado cinza escuro, telhado de cerâmica vermelho, telhado de cerâmica marrom, solo exposto, cobertura hídrica e cobertura pavimentada.CAPESUrban spaces are mostly composed of small objects and with complex relationships with each other, so that the classification of your soil requires high resolution imaging. However, traditional methods of extracting information from high resolution images, whether aerial or orbital, still have some limitations. Photoanalysis plus vectorization on screen, although it is the most adopted method for the extraction of urban information in high resolution images, may have its application impaired by objects with complex contours, by the subjectivity of the analyst's interpretation and by the time required for work for large areas. In addition, traditional methods of classifying digital images, although they reduce or eliminate the problems of photoanalysis, also present limitations for the classification of urban soil with high-resolution images, due to the spectral information contained in these images not being sufficient to discriminate targets. This problem can be overcome by using auxiliary layers with attributes from different sources, which enable the discrimination of spectrally similar classes. Given the above, this work proposes a joint analysis of aerial images, terrain models and images from arithmetic operations, for the recognition of patterns in the data and classification of urban soil. In order to carry out the experiments, using the QGIS and SPRING software, Digital Terrain Model, Digital Elevation Model, orthophoto spectral bands with 8 cm GSD and intensity image were used. The development of the research started with the acquisition of samples of classes, from which the recognition of patterns in the data for the definition of thresholds began. The S1 and S2 band ratios and the GLI, VARI, RGBVI and GRVI vegetation indices were investigated, whose equations use only the visible bands. The main results showed that: i) the intensity variable can reveal water properties that support more specific studies of water composition; ii) the band arithmetic in the visible range, when applied to high resolution images, in addition to enhancing vegetation, serve to identify some types of roofs; iii) operations S1, GLI and RGBVI are potential for classifying urban vegetation cover; iv) the VARI and GRVI operations are potential for the classification of the building cover of the ceramic roof type, without making any distinction regarding its state of conservation; v) the altimetry variable is potential to discriminate classes that have similar spectral responses; vi) the classification by maximum likelihood, when applied to cuttings with classes of subtle spectral variations, enables the discrimination of these classes. Finally, ten target classes were classified, namely: low vegetation cover, medium vegetation cover, large vegetation cover, light gray roof, dark gray roof, red ceramic roof, brown ceramic roof, soil exposed, water cover and paved cover.