遥感影像解译(或影像分类)技术是随着遥感传感器技术的诞生而产生的,传感器获取的数据要成为有用的信息和知识,必须经过一系列的处理和分析。与遥感传感器技术发展的速度相比,从遥感影像中提取信息的方法相对发展缓慢得多。影像解译本身就是一个科学难题,到目前为止,影像解译的精度、可靠性和稳定性还远未达到生产实际的要求,影像解译的自动化程度还不高,尚处在半自动化水平。数十年来围绕影像解译方面的研究十分活跃,出现了许多分类方法,其中监督分类方法有最大似然法、人工神经网络、支持向量机等,但这些方法都存在一定的问题或局限性。一些新的方法,如遗传算法、人工免疫算法、蚁群算法等的研究也取得了进展,但主要还是停留在理论实验阶段。为此,我们需要不断将人工智能领域中的一些新的思想和方法引入到影像解译中来,以提高影像解译的智能化和自动化水平。贝叶斯网络是近年来贝叶斯统计方法研究的新成果,是图论与概率论相结合的产物,是进行不确定性推理的有力工具,在医学诊断、自然语言理解、故障检测等领域有很多成功的应用,但在遥感影像的处理和分析中的应用则比较少。本文的主旨是研究如何将贝叶斯网络应用到遥感影像解译中来,针对遥感数据的高维特征和多源数据的特点,综合先验知识和样本信息,构建适应于不同类型遥感数据的贝叶斯网络分类模型；对现有方法和模型进行比较和评价,在此基础上提出新的模型。朴素贝叶斯网络是一种经典的贝叶斯网络,也是全文的基础和核心,全文的研究工作围绕朴素贝叶斯网络展开：朴素贝叶斯网络的改进——约束型贝叶斯网络；朴素贝叶斯网络的扩展——分层朴素贝叶斯网络；高斯混合模型及其与朴素贝叶斯网络的结合——有指导非监督分类模型GMM-UC及嵌入高斯混合模型的朴素贝叶斯网络GMM-NBC。具体说来,本文的主要工作包括以下几个方面：(1)朴素贝叶斯网络的改进——约束型贝叶斯网络。遥感数据相邻波段间存在较强的相关性,基于这一特点,本文采用一种带有约束条件的贝叶斯网络——约束型贝叶斯网络——来构造分类器,即特征节点被约束为类节点的子节点,子节点间允许有不同的连接关系。以Landsat ETM+影像和OMIS影像为实验数据,研究如何从遥感数据中通过结构学习构造约束型贝叶斯网络的四种分类器(NBC、SNBC、TAN、BAN),以及贝叶斯多网分类器BMN,并讨论了其性能。TAN、BAN以及SNBC都是NBC的改进形式,贝叶斯多网分类器(BMN)是BAN的一种扩展形式。(2)高斯混合模型及其与朴素贝叶斯网络的结合——有指导非监督分类模型GMM-NBC及嵌入高斯混合模型的朴素贝叶斯网络GMM-NBC。高斯混合模型是图模型的一种,是贝叶斯网络模型的特例。在遥感影像的分析中通常假设遥感数据服从单一高斯分布,而实际应用中这一假设存在一些问题。由于遥感成像过程的复杂性和随机性,一组遥感数据的分布总体上可看作由多个子高斯分布混合而成。由此,本文提出一种基于高斯混合模型的遥感影像有指导非监督分类方法GMM-UC,及一种高斯混合模型与朴素贝叶斯网络相结合的模型GMM-NBC。GMM-UC以有限混合密度理论为基础,认为遥感数据由有限个子高斯分布以一定比例“混合”而成,通过改进EM算法自动确定子高斯及其参数,再从中“还原”出各个地物类(各子高斯分别对应一类地物)。GMM-NBC则是将高斯混合模型(多维形式)嵌入到朴素贝叶斯网络中,构建扩展的朴素贝叶斯网络分类器。(3)朴素贝叶斯网络的扩展——分层朴素贝叶斯网络。本文对朴素贝叶斯网络进行泛化,对朴素贝叶斯网络的子节点类型进行扩展,即不局限于原来的波段或纹理特征,而是波段或特征的组合,或者一组特征分类的中间结果。由此,提出一种嵌入高斯混合模型的分层朴素贝叶斯网络分类模型HNBC,该模型在特征分组和分层的基础上,将高斯混合模型(多维形式)嵌入到朴素贝叶斯网络中,构建分层的朴素贝叶斯网络。HNBC模型的关键是高维特征的组织,具体涉及到特征的分组和分层两个方面,要解决的问题包括：如何对特征分组,以更好地满足NBC的条件独立性假设；如何将GMM这一参数表达模型与NBC结合。