为了提高神经网络在石漠化信息提取时的精度,更好的服务与石漠化地区社会经济环境的可持续发展,本文以高分6号卫星宽幅遥感影像为主要数据源,对研究区进行了石漠化信息提取,根据实地采样数据,获取了样点在遥感影像上的特征数据,构建了包含植被指数、坡度、光谱特征和纹理特征在内特征数据集,以BP神经网络模型为基础,通过灰狼优化算法（GWO）、鲸鱼优化算法（WOA）、粒子群优化算法（PSO）和差分进化算法（DE）分别对初始的BP神经网络模型进行了优化,并以优化前后的BP神经网络对样本特征进行分类,得出以下结论:（1）2021年普定县喀斯特区域中,无石漠化区域、潜在石漠化区域、轻度石漠化区域、中度石漠化区域以及重度石漠化区域分别占普定县面积的30.21%,34.73%,20.30%,8.81%和5.95%,潜在石漠化区域的面积最大,为375 km2,重度石漠化区域的面积最小,为64km2。（2）神经网络运行所需时间和迭代次数按由少到多的顺序均可以排序为:DE-BP＜WOA-BP＜GWO-BP＜PSO-BP＜BP,初始的 BP 神经网络运行效率最差,进行一次分类和验证所用的时间为98秒,迭代次数为39510次。DE-BP的运行效率最高,进行一次分类和验证所用的时间仅62秒,迭代次数为27682次。（3）基于混淆矩阵,构建了包含用户精度、生产精度、总体精度和Kappa系数4中评价指标的精度评价体系。在用户精度上,GWO-BP对无石漠化、中度石漠化和重度石漠化进行分类时的精度最高,分别为86.39%、78.47%和87.66%,而PSO-BP对潜在石漠化和轻度石漠化进行分类时的精度最高,分别为83.74%和72.84%。在生产精度上,GWO-BP在对轻度石漠化和重度石漠化分类时的精度最高,分别为80.33%和92.33%,PSO-BP对无石漠化和潜在石漠化分类时的精度最高,分别为92.00%和68.67%,WOA-BP对中度石漠化分类时的精度最高,为77.67%。在总体分类精度上,初始的BP神经网络精度最低,为74.73%,GWO-BP精度最高,为81.40%。就Kappa系数而言,初始的BP神经网络最低,为68.41%,GWO-BP的Kappa系数最高,为76.75%。综合4种评价指标后可知GWO-BP神经网络的分类结果与实际状况保持更高的一致性。