设置自然保护区的目地是为了保护独具特色的自然生态体系以及保护珍稀濒危野生动植物。具备相应的生态价值及科研意义,按照保护等级的差异,通常会设立核心区、实验区以及缓冲区三种不同分区。目前在自然保护区建设过程中对其地物分类予以研究是其建设工作的根本。自然保护区面积大、地形多样、地物类别众多,因而一般都会通过遥感方法监测其地物变化状况。伴随卫星传感器技术逐渐成熟,遥感技术水平也逐渐提升,遥感影像分辨率已经超过亚米级别。怎样把具备一定分辨率的遥感影像里充实的纹理和光谱信息使用至各个行业里,已然变成遥感应用领域中非常重要的问题。遥感目视解译方式存在一定缺陷,即耗费时间过长、工作量巨大,同时还存在主观性过强的问题。伴随人工智能相关技术的逐渐成熟,以人工神经网络为基础的分类机制逐渐开始应用于遥感分类工作之中。和人工目视解译的方式比较,更为客观、精确。为研究神经网络算法在遥感影像地物类中的应用,本文以友好国家级自然保护区高分一号原始影像数据为基础,在专业遥感信息处理平台ENVI上完成影像地物分类工作。首先对研究区域内的原始影像数据进行预处理,涵盖正射校正、辐射定标、数据融合、大气校正和图像裁剪等。然后对影像进行最优波段组合,提取影像光谱特征与灰度相关这一纹理特征作为后续分类的依据。神经网络算法属于一类以仿生学为基础模拟人类大脑运作的数学模型,具有较强的学习能力与分析能力,可以获取并分析影像里体现不同地物类别的光谱与纹理特征的差别,继而把遥感影像自动的划分为各种地物种类,可以大幅提高地物分类效率和精确度。接下来选取训练样本,搭建神经网络模型,训练神经网络结构,完成友好国家级自然保护区两期影像地物分类工作。最后通过误差矩阵对分类结论予以精度评定,同时探究各类功能区中各种地物的分布情况。通过实验发现获取到的2014年影像分类精度是94.1%,Kappa系数是0.901;2017年影像分类精度是94.25%,Kappa系数是0.916。研究证明神经网络算法应用于遥感影像地物分类时,分类精确度较高,达到地物分类应用的要求。