遥感图像分类一直是遥感研究领域的重要内容,如何解决多类别的图像的分类识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理,达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法,另一种是监督分类方法。非监督分类方法是一个聚类过程,而监督分类则是一个学习和训练的过程,需要一定的先验知识。非监督分类由于不能确定类别属性,因此直接利用的价值很小,研究应用也越来越少。而监督分类随着新技术新方法的不断发展,分类方法也是层出不穷。从传统的基于贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法,虽然这些方法很大程度改善了分类效果,提高了分类精度,增加了遥感的应用能力。但是不同的方法有其不同优缺点,分类效果也受很多因素的影响。本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上,应用最大似然分类法、决策树分类法和BP神经网络分类法对北京市TM遥感图像进行了分类研究。在对分类实现中,首先对分类过程中两个必不可少的,并影响分类效果的步骤也进行了详细地研究,分别是分类样本和分类特征;然后详细介绍三种方法的分类实验;最后分别分析分类结果图和采用混淆矩阵和kappa系数对三种方法的分类结果进行精度评价。三种分类方法的分类总体精度计算都达到80%以上,满足分类要求。通过综合分析发现本次研究BP神经网络方法分类精度较低,最大似然法和决策树法分类精度较高。因此本文有必要进一步研究神经网络分类方法,提高该方法的分类精度。本文分为六部分。第一章为绪论,主要介绍本次研究的目的、意义以及遥感图像识别与分类技术发展和研究现状,并提出本研究的主要内容和研究方法;第二章为遥感图像分类技术的基本理论,介绍遥感图像分类的整个过程的基本原理,传统的监督、非监督分类的基本算法,分类精度评价方法,为本研究提供理论基础;第三章介绍本次分类研究区典型地物类型样本的确定原则和方法,并提出了本次分类实验样本的选取方案;第四章介绍本次研究中分类特征的分析和选取;第五章为本次分类实验的具体方法和结果,展示了遥感图像分类的全过程,并分析不同分类方法的分类效果;第六章为总结和展望,总结本次的研究工作和不足,对未来的研究展开思路打下铺垫。