遥感图像的分类是对于地球物理表面及其环境在图像中的信息进行识别和分类,以便帮助我们识别实际地物,提取所需地物信息的目的。遥感影像分类有很多种方法,传统的分类方法有最大似然分类、最小距离分类、平行多面体分类、K-均值聚类法等,现在一些智能算法有基于决策树分类、模糊聚类法、神经网络分类、支持向量机分类、基于人工免疫系统的分类方法等以及多种算法相结合的分类方法。方法的多样化,使遥感影像的分类精度得到更大的提高。BP神经网络(Back-Propagation Neural Network,BPNN),是前馈多层网络与误差反向传播算法相结合的一种人工神经网络,也具有抗干扰性和高容错性、并行分布式处理、自组织学习和分类精度高等特点。所以与一些传统分类方法相比,具有很大的优势和鲜明的特点。BP人工神经网络应用在遥感影像分类中己经取得很多的成果,也是运用最多的神经网络分类方法。比如王野乔(1997)应用BPNN对于三个时相总共18个波段的TM多光谱数据进行了分类的试验。分类结果表明,分类精度非常高,人工神经网络可以有效地用于高维数据的分类。本文的研究区选择的是安徽省合肥市市区范围,影像数据采用Landsat8卫星在2013年9月获取的数据。经过对数据的预处理后,再将全色波段的高分辨率(15m)数据与低分辨率(30m)数据融合,将融合后的前7个波段作为输入层,设6种土地利用类型作为输出层。通过对融合为15m分辨率的数据进行遥感影像的土地利用分类,分别运用最大似然分类法和BP人工神经网络法进行分类,两种方法都能得到较好的分类精度。其中最大似然分类法的分类结果显示,虽然整体分类精度达到84.1%,但是对于某些地物的分类精度很差,比如对于建设用地(55.5%)和农业用地(67.6%)的分类精度较低;然而运用BP人工神经网络法的总体分类精度较前一种方法提高了3.5个百分点,Kappa系数增加了4.3个百分点,此外,各类型用地的分类精度也很高。综上所述,BP神经网络在遥感影像的土地利用分类上能够获得比较好的效果。如果以后对于网络的结构设计更改或者算法的改进,那么神经网络在遥感影像分类中地应用前景将更加广泛。