针对遥感图像的分类压缩问题,该文主要研究了感兴趣区分割与提取的理论与方法以及基于分割结果的压缩.这两个方面的研究是相互关联的,其中感兴趣区分割与提取是压缩的基础与关键.围绕基于遥感图像感兴趣区的分割方法研究,该文首先对图像随机场模型的现状及进展、组合优化方法现状与进展、随机场模型参数估计现状与进展几方面进行了综述,对大多数方法进行了具体的分析和评述,指明了它们的优缺点.根据这些研究进展,该文在基于像素级的随机场分析法,基于结构随机场的分析法,和基于高层随机场的分析法这三个方面对遥感图像感兴趣区的分割与提取展开研究工作,它们分别改进前者的不足以改善分割的效果.基于像素级随机场分析法的研究中,通过结合一幅图像的局部统计量,一个半因果的非平稳自回归随机场模型能被应用到一幅非平稳图像的分割问题上.由于这个非平稳随机场比平稳随机场提供了更好的属性描述,图像将会被更好地分割.除了马尔科夫随机场对图像像素间的低阶依赖性的描述外,我们也引进一种高阶依赖特性作为一种新的分类特征来识别实际的区域.熵率就是这样一种特征,它也能用随机场模型来估计.由于参数的估计问题涉及不完全的数据问题,我们将使用EM/MCMC算法来估计场参数.基于结构随机场分析法的研究中,一种包含多种纹理类型的联合纹理模型能应用到遥感图像中.基于2维的沃德模型分解,随机纹理场能被分解为两个相互正交的空间成分,即全局结构的成分和残余成分.残余的图像又可建模为空间均匀的随机场和局部空间奇异的随机场之和.在遥感图像分割中,经过谐波滤波器处理后,我们分别用沃德结构随机场和马尔科夫随机场来刻画纹理中的全局结构成分以及空间均匀随机成分.在马尔科夫模型的分割中,因为反映不同区域类型相对比例的先验知识的一阶基团,即外场,是不知道的,所以人们往往只考虑2阶基团的作用,结果马尔科夫模型不能满意地刻画纹理的结构成分,而利用该章方法,可以克服这个问题,一幅参考图像被用作外场,它由沃德模型分解得到.进一步,为了改善纹理边缘,将内场和外场之间的比例视作为一个模型参数.