支持向量机(SVM)是在Vapnic的统计学习理论基础上发展起来的一种新的模式识别方法。它以结构风险最小化(SRM)为原则，通过实现确定的非线性映射将输入向量映射到一个高维特征空间中，然后在此高维空间中构建最优分类超平面。SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广到函数拟合等其他机器学习问题中。目前，将SVM应用于模式识别领域，是当前SVM的一个研究热点。 最初SVM是用以解决两类分类问题，不能直接用于多类分类。因此如何有效地将其推广到多类分类问题还是一个正在研究的问题。当前已经有许多算法将SVMs推广到多类分类问题，这些算法统称为“多类支持向量机“(Multi-category Support Vector Machimes，M-SVMs)。本文提出了一种基于编码二叉树的多类支持向量机——CB-SVMs，算法舍弃了各子分类器间大量冗余信息及其较小的纠错补偿，合理利用了其它子分类器的分类信息，大大减少了子分类器的数目。复杂度分析和在标准测试数据集上的计算结果表明：CB-SVMs相对其它M-SVMs，有效提高了训练速度和测试速度，同时具有构造简单、稳定性好的优点。 本文最后介绍了遥感图像分类的基本理论和算法，通过将CB-SVMs应用到遥感图像分类中去，表明了CB-SVMs算法具有较高的分类精度和泛化性能。同时说明了SVM算法在遥感图像分类方面良好的应用前景。