随着遥感技术的不断发展,遥感影像的空间、时间以及光谱分辨率不断提高,海量多时相遥感数据进一步积累,这为人们分析地物类别的时空行为提供了丰富的资源信息。综合使用遥感影像的空间和时间上下文信息提高地物分类精度成为了新的研究热点。条件随机场(ConditionalRandomField,CRF)模型将图像视为一幅概率图,直接对类别标签的后验概率进行建模,通过学习和推断算法可以得到最优的分类结果。因此,本文使用CRF对多时相遥感影像进行时间上下文和空间上下文信息建模并用于地物分类,取得了较高的分类精度。本文的具体工作如下:1、研究了图像分类的常用方法及其在遥感影像分类上的最新应用。说明了 CRF模型的发展背景和基本理论框架,总结了 CRF模型的势能函数构造方法、学习算法和推断算法,并介绍了一些常用于图像分类的CRF模型的概率框架。2、提出了一种基于CRF模型的多时相遥感影像分类方法。多时相遥感影像分类方法通常使用人工设置的转移矩阵作为时间上下文信息,这样不仅难以获得准确的转移矩阵,而且没有充分利用时间上下文信息。针对多时相遥感影像中的时间与空间上下文信息难以构建的问题,本文方法对CRF模型进行了改进。首先运用最大期望算法生成用于描述时间上下文信息的时间势能,然后结合空间以及时间上下文信息构造了条件随机场模型,最后使用该模型对多时相遥感影像进行分类。一系列的实验结果表明,该方法可以有效提高遥感影像的分类准确率。3、提出了一种基于高阶CRF模型的多时相遥感影像分类方法。高阶势能可以增加CRF模型的区域约束和边界保持能力。针对高阶CRF模型中高阶势能的表示这一难点,本文使用超像素分割算法获得超像素,然后从超像素中提取高阶势能。实验结果说明高阶CRF模型可以提高遥感影像的分类精度。