当代系列遥感地球观测卫星计划为人类提供了超越已有知识的平台。现代计算机技术为我们提供了强大的计算和数据处理能力，遥感数据处理方法、模型与预测技术的不断出现为信息和知识的挖掘提供了不可或缺的工具。目前，已经有很多科学家从不同角度、以不同的途径探索新的数学算法，并且希望这些算法具有自动理解、识别以及自学习和自适应能力。遥感数据包含光谱、结构以及角度等信息，合理并充分利用多种信息对目标数据进行分析是遥感数据处理方法的一个发展趋势。 本论文着重于将遗传算法、贝叶斯网络等智能工具和方法应用于遥感数据处理领域。由于遗传算法从进化的角度阐释人类认识客观世界的原理和方法，提供了一种数据和信息处理的优化框架并具有全局搜索、易于并行的优点，已经很好的应用于很多领域。贝叶斯网络是在贝叶斯统计基础上发展起来的新的模式分类方法，它提供了一种可以同时利用先验知识和样本信息进行分类和判别因果关系的遥感数据处理工具。将遗传算法、贝叶斯网络等应用于遥感图像数据处理领域已经逐渐成为研究热点。本论文以遗传算法为主线，结合贝叶斯网络工具，主要从分类以及匹配等角度研究了一些新的处理方法。论文共包括七章内容： 第一章介绍了遗传算法在国内外的研究及其在遥感领域中的应用现状，阐述了论文的总体框架和技术路线。第二章详细解释了遗传算法的数学原理、进化方向、进化规则以及主要的遗传算法类型。在前人研究的基础上，第三章详细给出了超平面分类模型和遗传超平面分类算法的基本原理，并通过MODIS、ETM、ASTER等数据分别从简单的分类情况、遗传算法参数选择和总体分类效果几个方面对该算法做了总体评价。第四章通过北京某地区的航空图像对基于遗传算法的遥感图像匹配定位方法做了简单介绍并给出了实验结果。第五章进行了遥感图像的贝叶斯网络分类和遥感数据推理实验，分别给出了实验结果，并在总结贝叶斯网络分类器学习算法的基础上，详细介绍了贝叶斯网络的遗传学习过程。第六章首先研究了图像分割，包括边缘检测方法，随后研究了遥感图像的四叉树结构表达。在图像分割思想的启发下，结合遗传算法提出了遗传四叉树分类算法的详细框架。这种方法与上述几种方法区别在于同时利用了遥感数据的空间信息和光谱信息，是遥感图像数据处理的发展方向之一。第七章给出了本文的结论，对部分内容进行了讨论并提出了下一步的研究方向。 论文的主要创新点和特色: 1、深入研究了遥感数据超平面模式分类方法，进一步探索了二进制和十进制编码的遗传算法，提出了一种数据模式的特征空间描述和分类方法，此方法利用遥感数据的多光谱信息进行分类并且在相同训练数据时精度较高，具有较好的效果。 2、基于遗传算法提出了一种通过模板匹配进行目标定位的方法，并利用航空图像进行了实验，该方法可以对目标定位的进一步研究提供较好的借鉴作用。 3、在与遗传算法组合研究方面，在深入研究贝叶斯网络分类原理的基础上探索了贝叶斯网络分类器学习算法，同时给出了基于遗传算法的学习方法，提出了一种遥感图像的贝叶斯网络分类和数据推理方法。比较贝叶斯分类而言，贝叶斯网络分类综合考虑了波段之间的条件依赖关系。实验结果表明，贝叶斯网络分类和推理方法在准确率方面一般高于贝叶斯方法。 4、探索了遥感图像的四叉树结构表达，提出了表达多光谱图像数据的可扩展四叉树结构，给出了遗传四叉树分类方法的框架，该方法可以同时使用遥感数据的光谱和空间信息。 论文以遗传算法作为研究主线，着重探讨遗传算法与其它方法结合形成的新方法并对之进行实验分析。在遥感数据分类和匹配领域，所提供的几种可选择的新方法具有独特的性能。