该文将支持向量机引入到航空影像的分类与分割中,期望探索一种新的航空影像解译的有效途径,为实现航空影像的自动解译打下一定的基础.该文的主要研究内容包括以下几个方面:航空影像纹理分类与影像分割的支持向量机方法,遗传模糊-C均值的支持向量机样本预选取方法,最小二乘支持向量机及其稀疏性在航空影像分割中的应用,支持向量机与其它方法用于航空影像分类与分割的优劣比较.(1)提出将支持向量机用于航空影像的纹理分类与影像分割中,在对多种线性不可分的特征进行分类时,用SVM方法得到了较好的分割与分类结果.(2)支持向量机的研究热点之一是对其训练算法的研究,训练学习过程中需要计算和存储的数据大小与训练样本数的平方相关,因此随着样本数目的增多,所需要的内存也就增大.该文提出遗传模糊-C均值的样本预选取方法,保留了最优分类超平面附近的样本点,去除远处样本点,减小训练样本集,从而减少了内存的开销.(3)支持向量机中惩罚因子C对分类与分割的精度有很大的影响,而C是由人确定的,与人的经验有关.最小二乘支持向量机避免了C值的选择问题,该文用最小二乘支持向量机分割航空影像,其结果比经典方法略差.(4)神经网络是近年来广泛应用的一种方法,因其具有并行处理、自学习和高容错性,得到了众多学者的青睐.该文在使用相同的样本和特征的情况下,利用支持向量机和神经网络进行分类和分割,结果表明支持向量机方法好于神经网络方法.原因在于神经网络完全依赖初始权值,而初始权值的确定还没有一个稳健的方法,支持向量机方法依赖于惩罚因子(常数)C值和核函数的选择,结果也不够稳健,其对C的依赖性略大于核函数,但在同一核函数条件下凭经验可在有限次数内找到最优C值.