多传感器遥感图像的信息融合可以克服单一传感器获取图像的限制，提高遥感图像分类精度，增强计算机自动解译的能力，减少遥感图像后处理时间，提高对地物变化的监测能力。目前遥感技术迅猛发展，遥感应用的传感器种类和数量越来越多，多传感器遥感图像融合分类技术的研究已成为国内外研究的热点。 论文以Landsat卫星的TM和JERS-1卫星的SAR（synthetic aperture rader）这两种空间分辨率、波段和成像机理不同的遥感图像的融合分类为例，对空间多传感器遥感图像的特征层和决策层的融合分类技术进行了初步的讨论。具体的研究包括： 1．多传感器遥感图像特征层融合分类器设计的研究。分类器设计时论文中将多传感器遥感图像提取的特征矢量的条件概率密度函数模型分为服从多变量正态分布和复杂分布两种情况讨论；对于正态分布条件概率密度函数，论文中首先解决BP神经网络分类器学习样本集选取问题——提出基于X2分布的学习样本集选取方法，指出对正态条件概率密度函数应用极大似分类器是从分类时间和分类精度指标来说较好的选择；对于复杂分布的情况，论文中利用多传感器遥感图像的分类特征的特点，提出结合BP神经网络模型和Markov随机场模型的融合分类器设计方法。 2．在多传感器遥感图像决策融合分类方法的研究中，论文设计了多传感器遥感图像意见一致性理论决策融合分类器以及意见一致性理论与Markov随机场模型相结合的决策融合分类器，得到了很好的分类效果。