随着遥感技术的不断发展,人们可以快速得到大范围实时的遥感数据,这些数据对于科学研究、国家发展、国家安全等有着重要的作用。对遥感数据的分类也是遥感应用的关键技术之一。这使得很多研究者研究遥感图像的自动分类算法,涌现出了很多监督和非监督分类的算法,这些算法不断的被改进用来提高遥感图像分类的精度,然而这些改进的算法还需要进一步的研究来更加精确的实现遥感图像的分类。本文从遥感图像分类国内外研究现状入手,介绍了用于遥感分类的主要数据源及他们各自的特点,研究了进行遥感图像分类时所需要的主要特征以及遥感图像分类后对分类结果精度评价的内容。在第3章研究了非监督分类方法和监督分类方法以及面向对象技术在遥感图像分类中的应用,以及在分类过程中存在的一些问题等。文章的后面章节重点介绍了粒子群和神经网络两种算法,依靠粒子群能得到全局最优解,利用粒子群算法训练出一组全局最优值作为BP神经网络初始的权值和阈值,最后BP神经网络模型成功的融合了粒子群算法后训练出局部最优解,训练结果成功的将遥感图像进行更精确的分类。在此基础上,利用粒子群BP神经网络进行遥感图像分类的实验,建立粒子群BP神经网络实验的模型,实施遥感图像分类,最后把分类结果进行精度评价,并与非监督和监督分类结果进行对比。实验结果表明:粒子群BP神经网络分类结果明显优于ISODATA和K-均值聚类非监督分类,比最小距离监督分类模型总体精度和Kappa系数分别高出0.124和0.157,分类结果精度较高。