本文通过对国内外遥感影像分类技术的总结与分析,发现遥感影像分类是土地利用变化,环境监测,灾变监测等生产实践中的重要的环节,尤其是影像的分类精度,是进行其他各种统计分析的前提和条件。本文在总结传统影像分类方法,当前遥感技术发展的热点,提炼出以下遥感影像分类技术中的发展方向:(1)传统的遥感影像分类技术已比较成熟,应用广泛,但由于不同的分类器分类精度不同,影像分类精度与分类时数据的预处理,样本选择,波段选择,分类算法等很多因素有密切关系,在多种因素影响下,分类精度表现出很大的不确定性。同时,能够顾及影像分类全流程可以整体提高分类精度的技术尚不多见。(2)人工智能方法、机器学习技术能较好地解决分类时不同的样本选择,不同的基分类器分类方法,样本的主观性、结果不确定性与模糊性等问题,极大提高分类的精度,机器学习技术将成为遥感领域研究的热点。为了解决传统遥感影像分类技术中的一些缺陷,例如精度有限,不同分类器对同一分类任务分类精度差别很大,存在一定主观性,分类结果缺乏统一性乃至不同的分类器分类结果产生矛盾等问题,本文尝试将集成学习引入遥感影像分类、利用投票法、证据权法、随机森林三种方法实现多分类器组合分类,研究分类器组合及精度评价,通过分类器组合理论的研究,探索分类器组合的软件实现方法,使用ArcGIS平台下的Model Builder工具,通过ENVI和ArcGIS一体化开发技术,将投票法,证据权理论分类器组合集成为一套遥感影像分类工具,实现遥感影像分类的便捷化,模型共享化,精度最大化。同时在异质分类器组合的实现基础上,应用开源软件EnMAP-Box,探索了同质分类器组合,精度评价技术。本研究以青海省西宁市土地利用分类、青海湖流域土地利用变化预测中的遥感影像分类为实例,实现多分类器组合分类,获得了以下结论:(1)投票法、证据D-S组合理论作为多分类器集成的两种方法,可以实现影像分类精度的提高与精度评价,具有较好的应用前景。(2)基于EnMP-Box的随机森林分类,可以有效集成同质决策树分类器,实现精度评价,不仅可以用在高光谱领域,而且也可以用在多光谱图像分类。(3)由于分类器的差异性测度研究所限,论文做了有限个分类器集成分类的研究,对系统集成的不确定性,对多分类器组合的分类器选择,分类器的组合个数,组合方式,组合后的性能优化有待深入研究。