在遥感技术不断发展的过程中,遥感领域能获取并处理的图像信息越来越丰富,如今,对遥感图像的处理已在地物识别、城市规划、自然灾害观测等领域具有大量实际应用。高分辨率遥感图像具有更加清晰的地物信息,描述纹理信息更加丰富。遥感图像包含数据量大的特点意味着获取用于训练的标记数据成本较高,因此许多非监督的学习方法逐渐应用于遥感图像。聚类算法作为经典的非监督学习算法,已在遥感图像处理领域具有较好表现。高分辨率遥感图像包含地物信息丰富,场景复杂,地物类型众多,类内差距较大,仅用传统分割方法难以准确地将不同类型分割出来,且效率不高,因此,如何提高遥感图像分割精度与效率是当前遥感图像处理的重点研究方向。本文围绕经典聚类算法K-means算法在遥感图像分割中的表现进行研究,主要工作如下:针对K-means算法受初始聚类中心影响大,聚类效果不稳定等缺陷,本文提出一种基于改进蝙蝠算法的聚类中心优化方法,首先根据蝙蝠在探索和开采阶段行为模式的不同,提出一种非线性速度权重,以适应蝙蝠个体在各个阶段的速度调整。其次使用[R,G,B,S,V]特征向量构成聚类特征空间,将改进蝙蝠算法与K-means结合,优化聚类中心的更新,在每次迭代中寻找到的最优个体作为K-means算法的聚类中心,再通过K-means算法进行聚类,继而更新种群。最后将提出的算法应用于遥感图像分割中,通过实验证明了算法的有效性。针对蝙蝠算法后期寻优精度不高,易在局部范围徘徊等问题,考虑将蝙蝠算法和遗传算法结合,提出一种融合两种算法的模型BAGA算法进行聚类。首先,综合考虑种群的适应度和迭代次数,改进了遗传算法的选择、交叉、变异算子。其次将改进的遗传算子加入到蝙蝠种群中,每次蝙蝠更新位置之后进行个体间的选择、交叉、变异,再进行下一次迭代。最后将改进的融合算法和K-means算法结合,对遥感图像进行聚类分割。通过实验证明,该算法提高了全局搜索能力,能够有效提高图像分割精度。通过对收集到的桂林市雁山镇不同区域的天地图卫星遥感图像进行仿真实验,将本文的算法与其他同类型算法进行对比,实验表明,本文提出的算法在分割效率和精度上具有一定优势。