海洋遥感技术作为实时获取海洋数据的重要手段,在智能导航、海洋监测和船舶精确定位等方面得到了广泛的应用。特别是在智能化航海导航领域,由于遥感卫星具有的时效性高、全球覆盖范围非常之广的特点,通过卫星获取实时、大面积海域的遥感图像进行智能航海导航以及船舶航行蔽障,可以增强导航的精确度。但是,在实际应用中,海洋遥感图像中包含的信息比较丰富,地物种类比较复杂,如何能够进行地物精确的识别,特别是海洋中岛礁的自动识别,是在实际应用中应用遥感图像进行智能航海导航、海洋数据立体监测以及船舶蔽障的前提。本文以多光谱遥感图像作为研究对象,从图像处理的前期出发,进行图像数据的聚类分析。针对多光谱遥感图像具有尺度大、多波段、内容丰富多样、多尺度等特征,原始的特征提取算法显示出其不足,为此本文提出了两种改进聚类分析算法来进行图像特征提取,并通过实验仿真验证了算法的可行性。首先,本文对获取的海洋遥感图像进行了预处理操作,其中预处理过程包括辐射校正和几何校正两部分,并分别阐述了他们进行校正的原理和具体方法。其次,分别从基于遥感图像的光谱特征,纹理特征以及分类方法进行常用特征提取算法的介绍,为后续算法进行改进提供了方向。再次,深入研究了模糊核聚类算法。针对模糊核聚类算法在使用过程中存在的不足进行了改进:将原始数据进行核主成分分析,提高了数据处理速度问题;利用马氏聚类代替欧氏聚类,提高了数据处理的精度问题;利用薛定谔方程求取聚类中心,解决了局部最优解的问题;并在此基础上进行实验仿真验证,实验结果表明该改进算法的正确性。最后,深入研究了支持向量聚类算法。针对支持向量聚类算法在使用过程中存在的不足进行了改进:为了降低算法的运行成本,本文提出了最优数据子集的概念,保证原始的数据集数据丢失最小;为了提高算法聚类精度,本文提出了新的簇划分方法,避免了计算邻接矩阵和连通分量随机错误的发生;并在此基础上进行实验仿真验证,实验结果表明该改进算法优于支持向量聚类算法,算法有很好的鲁棒性。