随着遥感技术的迅速发展,利用遥感手段获得地理信息已成为地理信息研究的主要内容之一。现阶段卫星传感器不断进步,遥感图像分辨率已能够达到分米级别。因此,如何处理高分辨率影像中丰富的光谱和纹理地物信息,使其更好地应用于我们生产、生活中,已成为高分辨率遥感影像分类研究领域中一项关键的问题。本文探讨了多层前馈网络及误差反向传播(Error Back Propagation,BP)神经网络分类算法在高分辨率遥感影像分类研究中的应用。BP神经网络算法相比较与其他传统的分类算法灵活性好,能够更好地拟合遥感影像中存在的非线性数据,是解决高分辨率遥感影像―同物异谱和异物同谱”现象的一种有效方法。但是BP神经网络有着网络学习速度慢、容易陷入局部极小值等缺点,因此,为了解决这些问题,本文引进了引力智能优化算法(Gravitational search algorithm,GSA),对神经网络中参数组合进行优化,以期提高高分辨率遥感影像分类精度。本文以国产高分2号卫星获取的高分辨率遥感影像作为基础实验研究数据,主要研究内容与结论如下:1.在深入分析引力搜索算法的参数调整对种群的收敛机理的影响的基础上,提出了一种GSA的参数?根据不同粒子在不同时期的进化状态动态调节的机制,同时利用GSA稳定性条件对?进行边界限制,得到改进的引力搜索算法SCAA。本文选用了4种GSA参数改进算法,测试对比算法与SCAA在13个标准测试函数和15个CEC2015旋转平移函数上的优化性能。实验结果表明SCAA能有效避免陷入局部最优,种群收敛更加稳定,在28个测试函数上具有更高的收敛精度和更快的收敛速度。2.从不同的特征空间分析各种地物在高分辨率遥感影像上的特点,提取典型地物的光谱、空间特征,包括基本的光谱波段、归一化植被指数、归一化水体指数、灰度共生矩阵和形态学属性剖面。对所有的特征进行组合,并使用智能优化算法进行波段选择,确定最优特征集。本文对不同高分影像的最优特征空间进行了统计分析。结果表明,基于智能优化算法的特征提取方法能够实现特征降维,提高分类精度。3.根据神经网络的结构设置,构建SCAA算法的种群,设计目标函数,利用SCAA算法优化神经网络分类器的权重和偏置参数。本文使用KEEL的iris数据,采用3种智能优化算法和SCAA算法实现鸢尾花分类问题,实验结果表明SCAA算法克服BP神经网络分类效率低、容易陷入局部最优的问题,得到最好的分类精度。同时,利用SCAA算法优化的神经网络分类器实现对高分2号遥感影像上海地区城区和湿地部分的分类,实验结果证明基于SCAA优化的神经网络总体分类精度和Kappa系数都是最高的。