随着遥感技术和计算机技术的逐渐成熟,遥感数据已经在地质灾害分析、军事目标识别、农业生产、地理面积统计等领域发挥着越来越广泛的作用。在对遥感图像数据处理的研究中,遥感图像分类作为挖掘图像地物信息的有效方法及其他高级应用的基础,具有重要的研究意义。遥感图像的计算机分类是实现将图像上的所有像元按其属性划分成若干个类集群的技术过程,对于遥感图像的植被特征直接进行计算机智能提取、分类,不同的理论下有着不同的方法。根据是否需要分类人员事先提供已知类别及其训练样本对计算机分类器进行训练和监督将其分为非监督分类和监督分类。监督分类方法是一个利用训练样本反复使分类器学习训练的过程,往往对研究区域需要有足够多的先验知识。而非监督分类则是一个聚类的过程,不需要进行人工选择训练样本。传统的均值-方差K-means聚类算法是遥感图像分类应用最广泛的算法之一也有着不可避免的缺点:1)分类精度不是很高;2)由于初始聚类中心的选取是随机性的,这样不同的初始值就会导致分类结果也会有较大的差异性。针对这样的缺点,本文在传统的基于均值-方差的动态分类法K-means算法的基础之上提出了基于小波变换的改进K-means算法。在对研究区内选择出的7类的样本区图像,采用小波理论对它们分别进行二维小波变换处理,以突显或强化不同地物类型特征。提取样本能量特征向量作为初始分类中心,再进行K-means分类。避开了随机选取初值的敏感问题,同时在非监督分类方法基础上有效的融合监督分类方法的思想,旨在拥有二者优点的同时提高分类精度。通过实验数据结果表明:1)待分类图像经过单尺度二维离散小波变换后,削弱了相同地物类型内部的由于土壤亮度造成的噪声,提高了不同地物类型的边缘差异性,因此有利于对遥感图像进行计算机智能分类;2)对遥感图像分别进行两种算法分类,从各个角度的分析和评价得出,本文提出的算法的性能优于传统K-means算法的性能。