森林是全球生态系统的重要组成部分,在国家经济建设和可持续发展中具有不可替代的地位和作用。森林资源状况及其变化,不仅影响地区乃至全球环境的变化,而且还影响社会经济的持续发展。随着遥感技术的发展,森林植被遥感影像分类逐渐成为森林资源调查和监测不可缺少的内容。目前遥感分类技术在林区的应用还处于比较落后的状态。如何利用普遍可以得到的遥感数据资源和其他林业数据,研究出更适合于我国东北林区的遥感图像计算机分类的新方法,提高森林植被的分类精度,以满足林业部门的需要,是本研究的主要工作。本项研究在以往国内外相关研究的基础上,以我国东北东部典型林区为试验区,以2007年7月Landat5卫星TM多光谱图像为遥感数据,运用BP神经网络和模糊C均值聚类两种新方法对遥感图像进行分类试验,根据分类精度比较两种方法的优劣,并与传统的遥感图像分类方法相比较,对这两种方法在我国东北东部林区的适用性进行评价,取得一些有价值的经验和结论。通过分析分类结果,得到如下结论:(1)传统的非监督分类和监督分类方法对东北林区TM遥感图像的分类精度较低。在几种分类方法中,非监督分类结果和监督分类结果Kappa系数均处于较低的水平。(2)BP神经网络分类方法与传统的非监督分类和监督分类方法相比优势明显。无论是总分类精度,还是总Kappa系数,BP神经网络分类方法都优于传统的分类方法。其中BP神经网络分类结果图像Kappa系数比非监督分类方法提高了0.32,比监督分类方法提高了0.15。通过比较不同分类方法的不同植被类型条件Kappa系数发现,利用BP神经网络分类方法同样可以使森林植被不同植被类型的分类精度得到大幅度提高。(3)与传统的分类方法相比,神经网络方法可以方便地加入地理辅助数据(如高程信息)进行分类。这样可以充分利用地理信息系统提供的丰富的地理辅助数据,来改善遥感数据的分类精度。(4)本文将基于模糊集理论的模糊C均值聚类方法引入了森林植被遥感图像分类中,尽管分类结果没有达到预期的目的,但模糊C均值分类方法仍然比传统的监督分类和非监督分类有着更好的分类精度。(5)本研究重点比较了BP神经网络分类方法和模糊C均值分类方法在森林植被遥感图像分类中的分类效果,发现BP神经网络分类方法总精度和Kappa系数均高于比模糊C均值分类方法,表明BP神经网络分类方法在森林植被遥感图像分类中具有更大的优势,BP神经网络分类方法比模糊C均值分类更适于森林植被遥感图像分类。