随着传感器技术的进步，遥感影像信息融合技术被广泛应用于影像特征识别、影像分割分类、综合信息提取等方面，成为国内外的研究热点。融合数据的多元特性，决定了在融合过程中需要处理信息源的不确定性、不精确性、不完备性、不一致性以及时变性等问题。Dempster-Shafer(DS)证据推理融合模型是解决这一问题的有效途径之一。本文针对该融合模型在遥感分类识别中的应用，进行了如下几个方面的研究和探讨： 　　1、影像信息源的预处理和加工。对试验采用的分类影像数据-ETM影像源进行辐射校正。通过对影像统计特性、地物光谱特性进行分析，建立试验影像的分类标志。最后，采用像素级影像信息融合技术对数据源进行加工，综合不同分辨率ETM影像的特性，便于特征提取。 　　2、基本DS证据理论(BasicDSEvidenceTheory，BDSET)融合模型在遥感分类中的应用。介绍DS证据理论融合模型中的基本概念、融合原理和基本特点。根据BDSET理论的应用特点，着重分析BDSET在遥感影像分类应用中的算法实现。具体包括鉴别框架的确定，基本概率赋值函数的构造，Dempster组合规则的实现和分类精度评定。 　　3、BDSET融合模型在遥感分类应用中的改进。针对BDSET应用中存在的缺陷和难点问题，对BDSET提出以下几个方面的改进：①扩充BDSET中基本概率赋值函数单子集的限制，使基本概率赋值函数构造更为合理。②对融合影像源进行正交变换，减少DS融合模型的计算量以及影像波段之间的相关性。③对Dempster组合规则进行改进，减少证据冲突对综合决策的负面影响。④提出决策树分层DS分类思想。对分析空间进行分层分类处理，先根据光谱间相似度进行粗分类，再进行子类的划分，在保证一定精度的基础上，提高融合分类的计算效率。⑤采用影像纹理特征辅助DS分类。通过将纹理信息作为一维输入，提高地物类别的识别精度，并对引入纹理特征后的分类效果进行分析比较。 　　4、对DS融合模型在遥感分类中的应用进行扩展。将DS融合模型与模糊理论相结合，实现了模糊DS理论(FuzzyDSEvidenceTheory，FDSET)融合模型在遥感分类中的应用。通过把样本模糊隶属度引入到DS理论中，使分类结果中对各类别的描述能够更为一致，从而提高分类的精度。