遥感图像分类是遥感图像处理与信息提取、计算机视觉、模式识别等领域的重要研究课题。近年来,随着遥感图像分辨率的不断提高,传统的基于像元光谱特征的分类方法已经难以满足高分影像分类需求,需要发展能够利用影像空间结构信息的新型分类方法。　　 在分类中融入纹理被认为是解决高分影像分类问题的有效途径之一。然而遥感图像具有宽视场、地物类型多样、空间结构复杂等特点,这造成单一纹理特征难以全面描述其内容。为此本文从多纹理融合应用的角度开展高分遥感图像分类方法研究,主要工作包括:　　 1)从特征组合的角度进行纹理特征融合。其主要过程是:以Gabor特征为主,融合LBP,GLCM熵、GLCM对比度等纹理特征,采用特征组合、替换的方式组成集成纹理特征,最后选用支持向量机作为分类器对融合特征进行分类,从而达到分类过程中使用优化特征的目的。　　 2)从分类器集成的角度进行纹理特征融合。其主要过程是:采用Gabor、LBP等纹理特征,利用支持向量机、BP神经网络、朴素贝叶斯、最近邻等分类器构建多个子分类器,利用结合投票法和Adaboost算法的混合判别规则进行多分类器集成,自动赋予各种单纹理特征不同权重,达到在分类过程中纹理优选、融合的目的。　　 在仿真数据和实际高分辨率遥感图像上的实验表明,在特征组合方法中,Gabor与LBP特征、Gabor特征与熵、Gabor与对比度等纹理特征组合最能有效融合不同纹理特征,这些组合特征去除Gabor特征的高频信息后仍能保持效果同时减少冗余特征。在分类器集成方法中,本文采用的混合判别多分类器组合方法对纹理的融合效果不差于特征组合方法。以上两种纹理融合方式均有效地提高了图像的分类精度。