对地观测技术的发展产生了海量遥感数据,为遥感影像分类提供了坚实的数据基础。然而,在不同的样本、先验条件下,遥感影像分类仍然面临着样本数据缺乏、模型优化能力不足、模型难以有效融合先验信息等问题,严重制约了遥感影像分类的应用前景。演化算法具有精确的信息表达能力、强大的优化能力、多源信息多目标优化互补能力,其在解决上述场景中的遥感影像分类问题时具有极大的潜力。本论文以演化计算理论为主线,重点研究不同样本、先验条件下的遥感影像分类问题:遥感影像半监督分类、非监督分类、亚像元制图。主要研究内容包括:(1)系统总结了遥感影像分类(半监督分类、非监督分类、亚像元制图)的研究现状及存在的问题。针对当前面临的问题,分析了演化计算理论(人工DNA计算、模因(memetic)优化算法、多目标优化理论)的特点及其在遥感影像分类中的应用现状和应用潜力;(2)提出了基于人工DNA编码表达的高光谱遥感影像半监督分类方法(SSDNA)。针对高光谱遥感影像分类中,在极少量样本的情况下相似地物难以有效区分的问题,本论文利用DNA编码能够高效表达高光谱遥感影像关键特征的优势,提出了基于人工DNA编码表达的高光谱遥感影像半监督分类方法,将高光谱遥感影像分类问题转化为DNA编码立方体的匹配、优化问题,利用DNA编码立方体的标记样本和未标记样本提取典型地物的关键DNA编码特征子空间,提高地物的识别能力;(3)提出了遥感影像模因优化聚类方法。由于遥感影像聚类问题的随机性、自组织性,现有遥感影像聚类目标函数的优化方法存在全局优化能力、局部优化能力难以兼顾的问题,导致遥感影像聚类方法易受初值影响、难以精确找到最优解。本论文利用模因算法在融合全局优化能力和局部优化能力方面的优势,分别提出了单目标模因优化聚类算法AMASFC和多目标模因优化聚类算法AFCMOMA。在单目标模因优化聚类算法中,基于像素的信息熵设计空间信息权重自适应策略,构建自适应空谱聚类目标函数,利用模因优化算法提升空谱聚类目标函数的优化效果;在多目标模因优化聚类算法中,利用多目标优化方法NSGA-II同时优化表征类内及类间距离的目标函数,提升聚类算法对遥感影像的鲁棒性。通过统计分析优化过程中的目标函数变化信息以设计自适应模因优化,自动平衡算法的全局、局部优化能力,提升遥感影像聚类的精度和自动化程度;(4)提出了自适应高光谱遥感影像多目标亚像元制图方法(MOSM)。现有高光谱遥感影像亚像元制图方法属于单目标优化问题,其模型中先验信息难以有效自适应融合,本论文将高光谱遥感影像亚像元制图的MAP模型求解问题转化为多目标优化问题,利用多目标优化方法MOEA/D自适应地控制MAP模型中的重建项和先验项间的权重,使得光谱信息和空间信息自适应互补,提高高光谱遥感影像亚像元制图的精度。通过基于角度的方法自动地从帕洛特前沿中选择最优的高光谱遥感影像亚像元制图结果,提高算法的自动化程度;(5)构建基于演化计算理论的遥感影像分类原型系统。通过实验系统地分析本论文所提出的方法在不同的数据、样本、地物类别属性等场景下的适用条件。本论文利用演化计算理论解决了半监督遥感影像分类、非监督遥感影像分类、亚像元制图中所面对的样本数据缺乏、模型优化能力不足、难以有效融合先验信息的问题,并最终构建了基于演化计算理论的遥感影像分类原型系统。本论文研究的基于演化计算理论的遥感影像分类方法能够提高遥感影像处理的自动化水平,进一步推动了遥感影像在城市、农业、矿业等领域的实际应用,具有重要的社会价值。