遥感影像数据固有的不确定性,尤其是“同物异谱”和“异物同谱”现象的普遍存在,导致计算机分类结果属性的模糊性与歧义性问题。且高分辨率影像带来更为复杂的地物信息,信息的复杂性和干扰性对算法鲁棒性提出了新的挑战。如何准确刻画遥感影像数据的不确定性,增强算法鲁棒性,建立高精度的分类模型是遥感影像分类的关键,对利用遥感技术进行地物分类评估具有重要的理论意义和应用价值。区间值数据模型可以有效表达观测数据的可变性与歧义性,适合用以描述遥感影像数据的类内异质性,从源头提高分类结果精度。模糊集合理论是表达不确定性问题的有效数学方法,其中一型模糊C均值算法在遥感影像分类领域得到广泛应用,但是对于具有密度差异与较大不确定性的遥感影像数据的分类结果并不理想。二型模糊集相比于一型模糊集,描述多重的模糊不确定性信息的能力更强,更适用于控制遥感影像分类中出现的类间多重模糊性。为此,本文主要研究了分类过程中遥感影像不确定性数据的描述、模糊算法鲁棒性的分析、模糊算法的适用性研究和分类模型在烟台区域地物分类的应用四个部分。主要研究工作概括如下:1、引入区间值数据模型以描述多波段遥感影像数据的不确定性,针对不同数据样本的特殊性,提出偏向自适应因子的定义和动态控制策略,并从理论上证明了偏向区间值数据模型相比于传统区间值数据模型具有更大的可分性;进而提出了一种偏向自适应区间值的模糊C均值聚类算法,基于该算法的多光谱遥感影像分类结果表明,考虑到不同数据特殊性的偏向区间值数据模型可以更好地实现类别分离性,对于密度差异性起到一定抑制作用,且能够得到比其它流行的模糊算法和传统区间值的模糊C均值聚类算法更优的分类结果。2、针对影像分类过程中存在的“噪声”干扰和类内异质性问题,根据地理学第一定理的邻近原则,局部空间内领域像元对中心像元的影响力与空间距离成反比,提出基于可靠度的空间相关性模型刻画局部空间内像元间的非线性关系;进而提出一种自适应区间型的空间模糊C均值聚类算法,多组人工实验数据和高分辨多光谱遥感影像实验数据表明,该聚类算法相比于现今流行的模糊C均值聚类算法,平衡了分类细节保留与抑制类内异质性信息的矛盾,得到了类内更为紧凑、类边界更加清晰的分类结果。3、针对对于具有更大密度差异与高阶不确定性的遥感影像数据,提出一种半监督的自适应区间二型模糊C均值算法:采用模糊度量方法构建不确定性表征能力更强的区间二型模糊集,减少模糊指数构建区间二型模糊集方法对于模糊指数选取的主观性,进而结合少量标记信息,提出一种基于进化论的模糊指数的自动选取方法;引入自适应控制的策略探求等价一型代表模糊集的降型方法,提高模糊控制能力,降低计算复杂度;少量标注信息在区间二型模糊算法中的软约束监督,对算法迭代过程进行优化指导,挖掘数据的最优化表达,以提高算法的普适性和鲁棒性。实验结果表明,所提算法对于覆盖面积大、地物丰富的遥感影像数据的分类性能更优、适用性更好。4、针对烟台区域高分辨率遥感影像,将所提算法与面向对象方法相结合:采用ENVI 4.6.1软件对GF-2卫星影像进行特征提取,以提取到的分割单元为对象,分别用本论文提出的算法进行分类,并比较各算法的分类性能,在满足实际项目应用的同时,验证算法对于不同数据的适用性。实验结果表明,所提算法均得到了较高质量的分类结果。