遥感技术己经被广泛地运用在生态环境保护、城市建设、土地利用、农作物估产、资源勘探、大气海洋监测等众多领域,在社会经济的发展中扮演着越来越重要的角色。遥感技术应用的前提是遥感影像的分类,它也是遥感技术的核心内容之一。遥感影像分类是一种典型的模式识别问题,对遥感影像上的地物属性进行识别和分类,是模式识别技术在遥感领域的具体应用。由于遥感影像上地物种类繁多,往往存在着同物异谱、同谱异物等现象,导致在利用计算机进行分类时,出现计算量庞大、分类精度不高、推广能力差等问题。在模式识别中,分类器的选择是一个十分关键的问题。遥感影像因自身数据的复杂性,一些传统的分类器算法在对其进行分类时,往往不能取得理想的分类效果。基于统计学习理论的支持向量机(Support Vector Machine, SVM)分类器,能够很好地解决小样本、非线性、高维数等实际问题,已成为模式识别领域的研究热点之一。由于SVM具有全局最优、适应性强、推广能力强等优点,本文采用SVM作为分类器,并通过实验来分析SVM四种核函数及其参数设置对遥感影像分类性能的影响。SVM作为一种监督分类算法,其训练样本的选择对分类结果有着至关重要的影响。遥感影像的训练样本选择对人的依赖比较大,从而会影响到分类器的分类性能。本文通过分析典型样本和非典型样本对SVM分类结果的影响,发现用非典型样本(即混合像元)训练SVM分类器具有更好的分类效果,并根据SVM分类算法的原理对出现这种情况的原因进行解释。在此基础上,结合模糊C均值(Fuzzy c-Means, FCM)非监督聚类算法,提出了一种自动标注训练样本的方法。实验结果表明,利用该方法自动标注的训练样本训练SVM分类器,具有更高的分类精度。除了分类器以外,特征的提取和选择也会影响到分类的结果。当分类的目的确定之后,如何找到合适的特征就成为图像识别与分类的核心问题。针对文中的主要研究对象TM影像,很多研究表明：在原始光谱特征的基础上增加新的特征可以提高TM影像的分类精度。本文在原始光谱特征的基础上,依次加入四种光谱指数特征(NDVI、 NDWI、MNDWI、NDBI)、LBV特征、灰度共生矩阵(GLCM)纹理特征、Gabor纹理特征,然后通过实验对比增加不同特征后的分类效果。实验发现,增加新的特征后可以使分类结果得到不同程度的改善,但是每种特征都有各自的缺陷。因此,本文通过粗糙集理论中的属性约简思想,把遥感影像看作一个知识表达系统,然后利用基于可辨识矩阵的属性约简算法对所有特征组合后的遥感数据进行约简,从而在不依赖人的先验知识的的情况下,得到约简后的特征组合并参与分类,实现了特征选择的自动化。实验表明,自动筛选出的特征具有很好的分类效果。在提出SVM分类器训练样本自动标注和特征自动筛选的基础上,本文构建了一个遥感影像自动分类系统,并分别通过一幅复杂的TM遥感影像和QuickBird影像对系统进行测试,然后和几种常用的遥感影像分类方法进行对比,实验结果表明,该系统对这两种影像都具有理想的分类效果。该平台具有易用性和可扩展性,因此可作为今后科研和实验的平台。