居民地是人类按照生产和生活需要而形成的集聚定居地点,是重要的地形要素之一,也是地形图上表示的重要内容。目前,利用遥感影像测绘地形图时,地形要素属性信息的获取仍然是依赖人工目视判读的方法,存在劳动强度大、效率低、受判读人员的理论知识和实践经验影响大等问题。采用计算机自动判读的方法获取居民地的属性信息,是遥感图像判读研究的难点和热点问题,对地形图测制与更新、战场地理空间信息系统建设等具有重要的理论意义和实用价值。本文在研究神经网络法、支持向量机法等多种经典分类算法的基础上,采用多分类器组合方法对多类遥感图像上的居民地进行提取试验,重点研究了多分类器组合居民地提取方法以及优化算法,并通过精度评价算法对居民地提取结果进行定量的分类提取精度进行评价。论文紧绕遥感图像居民地提取展开研究,主要的研究内容和创新点如下:(1)对居民地提取技术的研究现状进行了总结归纳。在分析居民地遥感影像特征的基础上,对多种经典分类算法进行试验验证,完成了基于经典分类算法的居民地提取。通过试验,对各个经典分类器的技术特点进行分析讨论,为后文多分类器组合居民地提取提供了基础,并给出了居民地提取结果的定量评价方法。(2)对现有的多分类器提取方法用于居民地分类的技术现状进行了研究,并通过试验进行验证和分析。在详细分析多种分类器性能和特点的基础上,采用了投票法选择分类器进行组合应用,并讨论了基分类器的组合准则。论文设计了多组试验用于确定基分类器和分类规则,获得了较好的试验结果。(3)用最大概率类别法和模糊积分融合法对多分类器组合居民地提取算法进行优化。当各基分类器获取的像元类别均不相同时,最大概率类别法用类别归属概率确定像元分类类别,而模糊积分融合法是加权平均的一种推广,在进行投票法与最大概率类别法后执行该算法,可进一步提高居民地分类精度。(4)利用经典分类算法及多分类器组合算法获取的只是分类结果的栅格图像,并且存在小的斑点和空洞,不能满足居民地要素在地形图上表示方法的要求,需要对其进行一系列后处理才能得到面状的居民地或轮廓线。论文采用数学形态学运算去除斑点获取面状居民地,并利用边界跟踪的方法最终获得面状居民地的轮廓线。