随着航空航天科技和传感器科技的快速更新换代,遥感影像的数据来源变得多样化,数据集也日趋复杂,地物复杂难辨,如何准确、高效地进行遥感图像分类成为了近年来研究的重要内容。由于人工智能科技发展迅速,机器学习分类方法也逐渐成为一种有效的遥感图像分类处理方法,为了有效提高影像的分类精度,本文在机器学习的理论上构建了一种高效简单的分类模型以及一种两级分类模型。论文的主要工作与创新点如下:(1)系统地介绍了遥感技术发展的研究现状,简要阐述监督分类与非监督分类常用的一些方法以及现今前沿的分类器;扼要地总结了本文的研究内容、及其组织结构流程。(2)针对遥感影像在获取过程中易受大气吸收与散射、传感器定标、地形等因素的影响而造成图像失真的特点,本文利用二次多项式模型进行遥感影像几何校正,采取双线性内插法进行重采样等技术对影像进行校正预处理,并进行了大气校正,有效地去除了传感器等因素的畸变影响,同时也排除了大气中散射颗粒的影响,为后续分类奠定基础。(3)神经网络模型具有容错性、学习能力强等特点,但要得到较好的分类效果耗时非常大,而极限学习机分类器是一种结构简单的神经网络方法,能快速高效的对样本进行识别。本文构建了一种混合核极限学习机遥感图像分类模型,该模型利用混合核函数的全局与局部特性,结合遥感图像的邻域信息,有效地提高了分类精度。(4)基于遥感影像的光谱和空间信息提出了一种两级分类器的方法。结合光谱信息与空间结构信息,首先采用光谱角匹配方法作为前级分类器,提取影像中光谱信息特征明显且区别较大的地物;然后利用遥感数据的张量空间结构信息,选取支持张量机作为后级分类器。对选取的感兴趣区域进行分类,不仅提高了分类精度,而且分类视觉效果也有了明显改善。