土地覆盖不仅是进行国土资源调查、规划和动态监测的基础，还是研究其环境效应、生态安全和全球变化影响的有效手段，具有重大的研究意义。遥感影像中包含丰富的表征地物物理化的光谱信息，为获取全球性和区域性土地覆盖信息提供了有效的技术手段，使得基于特征光谱信息的目标地物遥感识别成为可能。分类是获取地物遥感信息的一个重要手段。传统的分类方法用于遥感影像分类时，由于样本的有限性，容易导致Hughes现象。支持向量机是基于统计学理论发展起来的一种学习算法，可以有效地解决小样本、非线性及高维模式中的Hughes现象。因此本论文针对遥感影像数据的特点，对支持向量机在遥感影像分类中的应用进行了研究，其主要内容和创新点如下：　　 1.针对Landsat TM影像数据具有高维特征等特点，提出一种基于信息量最佳波段选取的遥感影像降维处理方法。该方法根据原始数据的标准差和相关系数矩阵的特征值，可以计算出波段组合、标准差组合、相关系数之和以及OIF指数，综合这些信息，选择出最佳波段进行遥感影像目标识别，实验结果表明，该方法能够选择出信息量丰富的波段，分类精度与使用原始波段相比提高9.8％，并且计算复杂度大大降低。　　 2.传统的分类方法在进行遥感影像分类时，由于样本数据的局限性，容易导致过学习、过拟合现象，而支持向量机方法在处理小样本数据时能够避免这种现象，使最终学习效果达到最优，基于此本论文将SVM学习算法应用于遥感影像土地覆盖分类识别中，采用混合小样本提取技术，进行分类识别，并与MLC法、BP神经网络模型、决策树等分类方法进行对比。实验结果表明，SVM方法在处理遥感影像数据时优于其它学习方法。　　 3.根据遥感影像中不同地物的纹理信息，本论文将小波分析方法引入到遥感影像目标识别中，提出基于Gabor SVM分类算法并应用于土地覆盖分类中。实验结果表明，通过引入Gabor小波，能够快速的获得遥感影像在多尺度、多方向上的边缘特征，再通过选择、融合以及量化小波系数，能够有效地消除噪声，提高检测效率，并且也使得输入的特征维数降低，进一步提高了分类效果。　　 总之，本论文所涉及的方法都经过仿真实验验证，取得较好的实验结果。Gabor SVM方法应用于土地覆盖分类是对遥感影像识别方法的一个创新，这种方法能够得到比传统SVM等学习方法更好的识别效果。