支持向量机算法(SVM)是以统计学习理论(SLT)为基础的一种模式分类算法。由于其具有良好的计算有效性(Computational Efficiency)、健壮性(Robustness)和统计稳定性(Statistical Stability)等特点,近年来获得较快的发展,被广泛应用到模式分类应用的很多领域中。TM多波段遥感图像的地物机器分类一直是遥感图像处理领域比较难解的问题。由于地物种类繁多,且各种不同的地物随着时间的推移和空间分布的不断变化,成像光谱作为多波段的地物反射数据也不断地变化。另外,成像光谱数据自身还存在同质异谱、异质同谱等复杂现象;在图像数据的采集过程中还会受到多种因素的干扰。这些不利因素使一些传统的分类方法存在计算量过大、分类精度低、推广能力差等缺点。本文以北京市怀柔水库附近地区的地物分类为研究背景,建立了解决 BSQ格式的 TM 6 波段遥感图像分类问题的 C-SVC 类型支持向量机的算法框架,并分别使用径向基核(Radial Basis Kernel)、多项式核(Polynomial Kernel)和Sigmoid核三种核函数对图像进行了多类别分类(Multi-class Classification)实验。解决支持向量机算法中的带约束二次优化问题(Quadratic Problems, QP)采用序列最小优化(Sequential Minimal Optimization, SMO)算法。文中对支持向量机算法、序列最小优化算法和多类别分类中的一对一(One against One)算法进行了理论上的分析并具体使用 C++程序设计语言进行了实现。为了检验支持向量机算法的性能,本课题还实现了其它两种基于统计的分类算法:最小距离(MinimumDistance)法和最大似然估计(Maximum Likelihood Estimation)法。将这两种算法和支持向量机算法进行了对比,证明支持向量机算法在准确率、推广能力等方面具有很大的优势,该算法应用在 TM 多波段遥感图像地物分类上是可行的。