当前在遥感技术的推动下,遥感数据呈现出同大数据类似的特点,即数据量大、要求快速响应、数据多样性、价值密度低,这就需要机器学习的相关知识来处理处理这些遥感数据。如何提高农作物种植结构遥感提取的精度是本研究的重点。针对台前县城关镇GF-2号卫星3.2m分辨率遥感影像中农作物种植结构的提取问题,重点研究了BP神经网络的遥感影像分类过程及提升遥感影像分类精度的方法。本文从以下几方面开展研究工作:(1)对农业遥感相关理论的研究,探寻各种遥感影像分类方法的理论基础;(2)对基于机器学习中的BP神经网络的遥感影像分类过程的描述,分析农作物种植结构的遥感提取工作现状和困难;(3)对提升遥感影像分类精度方法的探索:通过机器学习中的多种分类方法、分类算法的对比选择和实验过程中操作方法的改进,提出一种有效提升农业遥感影像分类精度的综合分类方法。研究结果表明:多源数据信息的利用能够有效提高遥感影像的分类精度;相较于非监督分类中的ISODATA、K-Means等分类方法,BP神经网络分类方法能够更加精确地分辨出遥感影像中的目标地物信息,相较于监督分类中的SVM、MLC等分类方法,BP神经网络分类方法更顺应智能化分类的潮流;而综合利用多种提升分类精度的方法较传统的分类方法,其精度会有较明显的提升;面向对象的分类方法相较于其它分类方法更能提高分类效率,节省时间、人工和成本,有较大发展潜力。