高光谱遥感技术是过去三十年中人们在测谱学方面所取得的重大技术突破之一，是当前遥感领域的前沿技术。相对于传统的多光谱，高光谱遥感数据具有波段众多、各波段相关性较强、计算量大等特点，这对相应的数据处理技术提出了很高的要求。高光谱影像分类技术是高光谱遥感应用的关键技术之一，对于环境监测、海洋生态与军事战场环境探测具有重要的意义。人工神经网络模式分类是近年来发展起来的数据分类方法之一。与传统的统计分类方法相比，神经网络不需要预先对样本空间作参数化统计分布假设，并可以将多种数据信息，例如纹理特征、地形信息和光谱信息等信息融合到分类器中。由于神经网络具有以上优点，研究基于人工神经网络的高光谱遥感影像分类方法很有必要的。本文主要完成工作如下：(1)介绍了高光谱遥感的基本概念、成像原理和成像光谱仪的国内外发展现状。比较几种经典的模式分类方法，包括：编码匹配算法、光谱角匹配方法、平行六面体法、K-均值算法、迭代自组织数据分析算法、最大似然判别法、费歇尔线性判别分类和决策树判别法等。(2)分析了高光谱影像数据的特点，介绍了神经网络的一般模型、基于神经网络的高光谱遥感影像分类流程以及各个阶段处理的具体内容，并总结了应用神经网络进行高光谱影像分类的优点。针对遥感数据维数过高的问题，介绍了几种数据降维的方法，以改进神经网络分类性能。(3)通过对多种实验数据，包括共享遥感数据以及项目实测遥感数据的分类研究，显示了BP神经网络在用于高光谱遥感影像分类的有效性。(4)针对高光谱遥感数据因维数过高产生的“维数灾难”问题，采用了主成分分析特征提取和顺序前向搜索特征选择的数据降维方法，改善了分类精度和分类效率，说明了两种方法的有效性，并分析和总结了各自优势。最后研究分析了训练数据集大小对神经网络分类性能的影响，实验结果表明训练数据集大小对神经网络分类性能的影响较小，因此应用神经网络模式分类器对于小样本遥感数据分类具有比较高的稳定性。