遥感技术广泛应用的重要途径之一就是遥感图像分类，即将图像中所有像素按其性质分为若干个类别的技术过程，其分类的精度直接影响遥感数据的应用水平和实用价值。如何解决多类别地物的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题。本文从“遥感图像地域信息智能化分析系统的研发”项目的实际应用出发，对遥感图像的计算机自动分类及如何提高遥感图像的分类精度等问题进行了初步研究，其主要工作包括： 1．针对遥感图像分类的噪声干扰问题，对图像的降噪处理进行了研究，利用小波变换法对图像去噪。同时，为突出图像中目标轮廓和纹理细节信息，通过改进的模糊对比度方法对图像进行增强处理。 2．为获取有利于图像分类的特征，对特征提取与选择进行了分析，提取了图像的有效特征，并对多维特征进行了去相关性的特征选择处理，接着采用“奖优罚劣”准则对特征向量进行了归一化处理，使样本特征数据在特征空间更具可分性。 3．针对图像分类特征窗口大小选择问题，对传统模糊 C 均值(FuzzyC-Means，FCM)聚类进行了研究，提出一种基于投票决策窗口的 FCM 聚类的遥感图像分类算法。在 FCM 初分类的基础上，依据样本类别隶属度权值，采用投票的方式对窗口中的小样本类别进行决策。 4．针对遥感图像分类精度与算法复杂度的矛盾及算法的鲁棒性问题，尤其是训练样本的选取、特征提取与选择，需人为干预过多，且受专业人员的知识限制。为此本文提出了基于加权 Mean Shift 的遥感图像分类算法。结合内嵌置信边缘检测得到像素的加权因子，利用重采样策略在特征空间对像元进行加权 Mean Shift 滤波找到图像各区域的核密度函数局部最大值，通过迭代移动附近数据点至该区域局部最大值，重复此过程，遍历图像中所有像素，对各聚类区域进行融合得到分类图。实验结果验证了算法的有效性。 5．在算法的研究基础上，对本文算法的软件实现及模块化设计进行了介绍。