随着遥感技术的飞速发展,遥感影像对土地利用分类起到了举足轻重的作用,分类的精度直接影响遥感影像的实用价值和实用水平,但是由于目视判读耗时长、需要人力资源大等缺点已经使人们越来越多关注遥感影像计算机分类的研究,如何提高土地利用计算机分类的精度也是越来越被关心的话题。但是遥感卫星获得的影像表现的只是自然综合体里面在二维平面上所表现的信息的集合,只利用遥感影像的这些光谱信息进行分类很难达到理想的效果。本文在中德科技合作与交流项目(2007DFB70200)和山东省自然科学基金(Y2008E10)的资助下,主要根据龙口市的实际情况,利用一些综合的遥感信息或者某些非光谱信息来辅助计算机进行分类,可以提高某种或者某几种地类的分类精度。主要研究内容和成果如下:(1)在参阅前人的研究成果的基础的上,阐述了遥感影像分类的理论方法,分析了几种常见的计算机分类方法,介绍了遥感影像预处理的理论及方法,对遥感影像进行前期的预处理,并且分析了研究区遥感影像的特征及最佳波段组合。(2)在资料收集的基础上,通过对研究区域遥感影像的研究以及实地考察,建立研究区域的训练样本,对其进行土地利用分类。通过分类发现遥感影像容易产生“同物异谱”或者“异物同谱”的现象,因此本文将“同物异谱”的地类分成多类,然后进行合并,对于“异物同谱”的地类并不好区分,因此合并成一类,利用非光谱数据再进行分类。(3)探讨了龙口市遥感影像的在不同非光谱信息的支持的分类精度和不同的分类方法的精度。通过对研究区域的研究,发现龙口市遥感影像的“异物同谱”现象大多是由于地形因素的原因引起的,因此本文分别用DEM、坡度和坡度变化与影像进行融合,然后进行监督分类,发现融合DEM的影像分类精度较高,达到90.2%,kappa系数为0.8692;又对融合DEM的影像通过决策树法和神经网络法进行分类,发现神经网络分类的精度较高,总体精度为93.4%,kappa系数为0.9099。分类结果说明了根据研究区域的实际情况引入相应的非光谱信息改变其原来的光谱信息可以相应地提高分类精度,比传统的基于光谱信息进行分类的精度有很大的提高;神经网络分类方法要优于另外两种分类方法。