近年来,核极限学习机(Kernel Extreme Learning Machine,KELM)受到越来越多人的关注。核极限学习机是一种单隐层前馈神经网络(the single-hidden layer feedforward neural networks,SLFNs),其只需要设置隐藏层节点数,然后采用最小二乘法计算出权值即可。因此,核极限学习机在学习速度和泛化能力上具有很大优势。本文在核极限学习机的理论基础上,提出一种新的组合核极限学习机的模型,并用优化算法对其参数进行选择优化,最后将其应用在遥感卫星图像识别中。论文研究的内容包括以下几个方面:首先,与传统使用梯度下降法的BP(Back Propagation)神经网络相比,核极限学习机采用了最小二乘法可以快速计算出唯一最优解。其次,本文将再生核函数和多项式核函数组合在一起,提出一种性能更高的组合核极限学习机模型。在理论上严格的证明了再生核函数可以应用在核极限学习机领域。之后针对该模型参数多的问题,本文将布谷鸟搜索算法应用在其中。在双螺旋数据集、UCI数据集上的仿真实验结果表明,本文构建的模型比传统分类器模型拥有更好的泛化性和鲁棒性。最后,将组合核极限学习机应用到遥感卫星图像识别中,构造一个图像识别分类器。采取稀疏编码算法对图像特征提取,再利用UC Merced Land Use遥感卫星数据集对图像进行识别分类,结果表明了本文的模型可以以较高精度识别遥感卫星图像。