近十年来,伴随着航天和卫星传感技术的跨越式发展以及国家高分重大专项工程的启动实施,高分辨率遥感影像数据急剧增长,这在国土普查、路网设计、农作物估产和防灾减灾等领域给国防现代化建设提供了信息保障。然而,由于高分辨率遥感影像地物分布复杂,传统的目视解译方式需耗费大量人力和物力。其中,在人力方面,还存在主观性过强的问题。为此,将多特征与神经网络结合来构建分类器已成为遥感影像分类的主流趋势。作为一种快速学习的前馈神经网络,极限学习机(Extreme Learning Machine,ELM)为聚类、回归、分类等应用提供了高效的统一解决方案,因此本文着重研究了极限学习机在遥感影像分类中的应用。首先,阐述了遥感影像分类的背景、意义、研究现状及面临的问题,同时介绍了ELM研究现状;其次,对其中涉及到的分割技术、分类算法及ELM进行了详细地介绍;此外,针对基础ELM在影像分类中的不足之处,通过引入多个核函数的方式构建多核ELM;最后,为提高分类器的分类精度并增强其泛化能力,在单一分类器的基础上,提出一种基于Ada Boost算法的多核ELM集成学习模型。本文的主要研究内容如下:1.针对遥感影像特征复杂,地物目标种类繁多的问题,鉴于ELM的快速学习能力和良好的泛化性能,提出一种多特征多核ELM的影像分类算法。首先,对影像进行初始分割,同时通过区域合并优化算法得到典型地物特征对象;其次,提取光谱、空间结构特征并对二者进行加权处理;然后,利用布谷鸟搜索算法寻找多核ELM的相关核参数,以获得最优的分类模型。最后,将所构建的多核ELM分类模型应用到遥感影像分类中。实验结果表明地物类别信息得到了准确区分。2.针对单一基分类器分类精度和泛化性能的不足,考虑到集成学习中的Ada Boost算法能够生成若干基分类器,本文将Ada Boost算法和多特征多核ELM相结合,并利用加权投票机制获得最终的集成强分类器。实验结果表明集成多核ELM提升了影像分类精度,同时增强了泛化性能。