遥感图像的分类一直是遥感研究领域的重要内容，如何解决多类别图像的识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。人工神经网络技术的发展为解决这一问题提供了新的方法。人工神经网络具有学习能力和容错特性并且无须就概率模型作出假定，适用于空间模式识别的各种问题的处理，因此人工神经网络技术正在被越来越普遍应用于遥感图像的分类研究。　　 本研究在国内外遥感图像植被分类研究的基础上，以matlab7.0为平台，分别构建三层BP神经网络、四层BP神经网络和径向基函数(RBF)神经网络，对高黎贡山南段的IRS-P6图像进行分类研究，并与传统的模式识别方法(最大似然法)的分类结果进行了精度比较分析。研究的主要工作和结果归纳如下：　　 (1)通过制作研究区的数字高程模型(Digital Elevation Model，简称DEM)、坡度图、坡向图，提取研究区的海拔、坡度、坡向等地理因子。同时，对IRS-P6图像进行图像增强与特征变换处理，主要进行K-L变换、归一化植被指数(NDVI，Normalized Differential Vegetation Index)计算。　　 (2)参照《土地利用现状分类》，根据研究区的土地利用和植被特点，结合遥感图像分类的特点和实际需要，制定了适合研究区的植被分类系统。根据此分类系统，借助研究区2006年IRS-P6的432波段与全色波段的融合图像的典型地物类型的目视解译标志，结合实地调查与遥感图像的光谱特征值，提取了用于训练模型的样本数据，并对样本数据的可分离性进行了计算评价，结果表明所选择的样本具有可分性。　　 (3)通过选取占信息量最大的三个主成份分量，结合归一化植被指数以及高程、坡度、坡向等地理因子，进行了基于人工神经网络的遥感图像的自动分类研究。在matlab7.0平台下，经过反复的试验比较，分别构建了三层BP神经网络、四层BP神经网络和径向基函数(RBF)神经网络分类器模型，并对遥感图像进行了自动分类。同时，在ENVI4.3下，完成了遥感图像的最大似然法分类。　　 (4)采用误差矩阵、Kappa系数对分类精度进行评价，结果表明三层BP神经网络、四层BP神经网络和径向基函数(RBF)神经网络的总精度及Kappa系数分别比最大似然法的提高了3.94％，10.27％，6.53％和5.31％，12.3％，8.17％。从分类结果看，河流、河滩、居民地、无庄稼农地的分类效果最好，而竹林、针叶林、阔叶林、高山灌草丛的分类效果较差，效果不好的原因可能是“同物异谱、异物同谱”现象较多，以及遥感影像中阴影的存在。就三种神经网络模型而言，分类效果以四层BP神经网络最好，其次是径向基函数( RBF)神经网络，三层BP神经网络最差。尽管四层BP神经网络的总精度及Kappa系数要比三层BP神经网络和径向基函数(RBF)神经网络的要高，但是，其网络结构要比后两者复杂，训练时间也比后两者要久，可操作性较差。今后可以尝试采用其它的神经网络和算法，或者优化神经网络结构，进一步缩短训练时间，提高分类精度。