随着遥感技术向着高空间分辨率、高光谱分辨率、高时相分辨率的“三高”方向和多平台、多角度、多传感器的“三多”指标方向的迅猛发展,使得人们能够获取规模越来越大的遥感影像数据。目前,遥感技术在国土资源调查、农作物产量估算、城市规划、土地覆盖变化与土地利用、交通检测、生态环境监测、军事侦查、地震监测等领域已被普遍应用并发挥着越来越广泛的社会效益。土地覆盖变化与土地利用遥感图像反映了土地覆盖与利用情况,它与人类的生活、生产密切相关,也是政府制定土地利用决策的重要依据。大尺度专题图的制作和土地覆盖变化的宏观检测不论是在生态环境变化检测还是在提高社会经济效益方面都体现着其重要研究意义。精确与时实的土地覆盖遥感数据分类信息的提取不仅与数据质量和分辨率有关,还与分类方法原理有关。模式识别(Pattern Recognition,PR)是20世纪60年代开始迅速发展起来的一门新兴学科。模式识别与计算机科学、统计学、控制论、认知科学等学科的研究都有关系,因此称模式识别为多门交叉学科。模式识别方法理论的完善和传感器、计算机自动控制技术等相关交叉应用技术的迅速发展,推广了遥感图像计算机智能解译的工作。遥感图像计算机解译的目标是对遥感图像中的各种地表物进行识别与分类。本文以模式识别方法在遥感图像分类领域中的应用为主要研究方向,从遥感图像的特性出发,力图找到模式识别方法与遥感图像专题分类应用之间的结合点,以提高遥感图像分类精度为目标,以ALOS/PALSAR,PSM等遥感影像作为主要实验数据,利用遥感图像空间、光谱等特征,进行遥感图像地表物的识别分类。首先,详细介绍专题分类中的模式识别方法理论,并对支持向量机(Support vector machine,SVM)核函数进行了深入研究;提出两种对SVM核函数的优化改进方法并对遥感图像进行分类实验和结果分析;之后提出新的样本距离测度方法和基于SVM与KNN、ELM等模式识别方法相结合的遥感图像分类算法,进行分类实验并与模式识别其它方法的分类结果进行了对比分析;最后提出基于模糊聚类(fuzzy c-means,FCM)与SVM相结合的遥感图像分割方法,并在此基础上实现了面向对象的遥感图像分类。本文主要研究工作及获得的成果如下:1.对遥感图像分类领域被普遍应用的模式识别方法原理进行较深入研究和概括。首先,详细介绍了模式识别方法的基本工作原理;其次,以统计模式识别方法在遥感专题图分类领域里的应用为重点较全面论述了监督分类、非监督分类、半监督分类、多分类器集成等常用的统计模式识别方法;最后,对分类精度的评价方法做了简述。2.提出两种SVM核函数的优化改进方法。本文对SVM分类方法工作原理、核函数等概念进行较全面的研究,对SVM核函数与最优参数的选择问题进行有益探索,并通过提出两种复合核函数方法对SVM核函数的优化改进进行了客观研究。优化核函数方法一来达到原有核函数间的优势互补效果,二来使样本测度函数同时兼顾样本的亮度差异性和角度差异性特征;通过遥感图像分类实验,与其它传统核函数分类性能进行对比分析,实验数据表明本文提出方法的可行性和有效性。3.在对遥感图像传统分类算法的研究基础上,以多分类器组合技术在遥感图像分类中的成功应用为线索,提出两种基于混合判别规则的样本距离测度方法和ELM-SVM的组合分类器模型,并通过多分类器组合技术实现了遥感图像的分类。本文提出的组合分类器方法有效抑制了KNN算法的惰性学习和最优k参数选择的困难问题,同时对ELM(Extreme Learning Machine,ELM)方法的分类精度进行了有效改善。遥感图像分类实验各类指标表明本研究提出的算法效率均优于参与对比分析的其它分类算法,有效验证了方法可行性。4.通过研究面向对象遥感图像分类技术,提出一种基于FCM的像元自动分割方法,并与SVM结合实现了面向对象的遥感图像分类。对于面向对象遥感图像分类技术的难点在于遥感图像的分割。目前有基于直方图的、基于区域的、基于边缘检测的和基于图的等几种分割算法。本研究提出一种简单易行的FCM与SVM结合实行的像元自动分割与分类方法。本文以模式识别其它方法效率对比分析的大量实验数据定量地验证了提出方法的鲁棒性。