遥感影像数据的分类研究是遥感图像分析领域的重要分支,怎样将复杂的遥感图像进行识别分类并达到一定的精度,更是遥感研究领域的一个关键性的问题。神经网络技术的出现,为解决这一问题提供了非常有力的支持,神经网络无须像传统分类方法那样事先对分类的概率模型及条件作假设,并且有很强的自学习能力和容错能力,适合非线性的复杂的识别问题的处理,因此,神经网络技术在遥感图像分类的研究中越来越受到重视。同时,由于人工智能技术的迅速发展,遥感技术在耕地类型调查、面积提取计算等方面也越来越重要。通过遥感技术对耕地覆盖变化等进行研究,方便农业决策者利用卫星遥感技术进行土地资源调查,对实现农业资源的合理监控与利用具有重大意义。神经网络技术当中,目前应用最为广泛的算法是反向传播人工神经网络(简称BP网络)。因此,本研究以吉林省榆树市的部分试验区域的遥感数据为例,(1)利用IDL/ENVI开发模式并结合神经网络算法,开发出适合实验区遥感图像的ENVI插件程序;(2)对遥感图像进行了图像增强、主成分分析、纹理信息计算等图像预处理工作,并在分类时将遥感图像的纹理特性添加进去。(3)利用开发的ENVI插件对遥感数据进行分类处理并同其它传统方法进行精度比较。(4)通过对遥感图像的分类,针对对部分实验区的耕地分布情况,本研究将直观的遥感分类图结合精确的榆树市2000年以来的耕地变化情况进行了分析研究。利用开发的插件对遥感数据分类处理之后,将BP神经网络分类结果及精度、最大似然法分类结果及精度、加入纹理信息后的BP神经网络分类结果及精度进行了比较与分析发现：(1)反向传播人工神经网络模型对复杂的遥感图像中难以区分的地物类别(比如混合像元)比传统的具有代表性的最大似然分类法可以取得较为理想的分类效果,(2)变差函数纹理特征的加入又提高了遥感影像分类的精度。(3)利用IDL/ENVI开发模式开发具有针对性及适应性的分类插件对试验区域的遥感图像的分类取得了较为满意的结果,插件程序的开发不仅对ENVI功能的拓展上探索了一些实践的意义,还为以后具体的研究开创了一个新的途径。(4)实验区的耕地面积在2000年到2007年间逐渐减少,其中与城市建设占地有着很大的关系。在遥感图像分类前,针对遥感图像的复杂性,本研究没有孤立的只是重视具体的算法研究及思路,而是在研究的同时处理了很多的细节优化,包括主成分分析、样本的提取、最佳波段的组合等,这样就把图像的分类过程作为一个流水线的整体来考虑,为提高分类精度提供有力的保证。