遥感图像的分类结果会对图像后续信息的提取产生较大的影响，而支持向量机凭借其优异的分类效果，逐渐在遥感图像分类中占据重要地位。本文主要研究了分层决策树支持向量机（HDT-SVM）在遥感图像中的分类，主要工作如下：1、提出了一种基于监督分类（Kmeans）的特征提取方法。提取遥感影像特征时，分析了基于目视解译与基于监督分类的分类结果，实验表明基于Kmeans预分类的特征提取能够有效提高提取特征的正确性，进而提高遥感图像分类的正确性。2、提出了一种内嵌遗传的粒子群算法（GA-PSO）来优化混合核参数。在优化混合核参数时，粒子群优化算法加入了遗传算法的交叉与变异特性，实验证明GA-PSO能更有效地优化核参数，进而提高遥感图像分类的正确性。3、提出了一种基于最优特征加权组合的分层决策树支持向量机（HDT-SVM）分类方法。HDT-SVM考虑了正态树分类的时间优势与偏态树分类的精度优势，而最优特征的加权组合更易区分类别之间的差异性，实验证明使用基于最优特征加权组合的HDT-SVM能有效提高遥感图像分类的精度。4、选用南京市的landsat7-EM+遥感影像，对论文提出的方法进行应用研究。首先对遥感影像进行预处理；然后对影像进行基于Kmeans预分类的特征提取；进而使用基于GA-PSO优化混合核参数；最后使用加权组合特征进行基于HDT-SVM的遥感图像分类。实验结果证明，和实际的城市土地利用比较，分类精度相近。