遥感图像内部包含了丰富的空间信息,可用于快速获取地物信息。遥感图像分类是遥感图像分析的基本任务之一,此外遥感图像中存在同质异谱和同谱异质性,这也会影响图像的解译精度。面向对象的遥感图像分类技术,可以提高对空间信息的利用程度,弥补了传统方法在遥感图像分类中的不足。然而传统遥感图像处理和分析技术存在数据量大、计算复杂等问题,需要进一步优化提高其工作效率。杂交水稻优化算法是近年新提出的元启发优化算法,具有良好的寻优性能,因此本文引入了杂交水稻优化算法,利用其优良的全局寻优能力,运用在遥感图像处理过程中的求解里,本文的主要工作如下:1.设计了一种基于伽马变化的自适应图像质量提升方法与一种基于杂交水稻优化算法的空域图像增强方法。基于伽马变化的自适应图像质量提升方法,充分利用了图像的直方图的统计信息和伽马变化简单易行的特点,实验表明该方法有很好的增强效果。基于杂交水稻优化算法的空域图像增强方法通过杂交水稻算法寻找最优的Beta函数的参数组合,实现增强方法的自适应性,实验表明对于存在偏暗偏亮的图像均有较好的增强效果。2.设计了一种基于杂交水稻算法的图像最优纹理模板训练方法。利用杂交水稻算法优化“Tuned”纹理模板,实验结果证明,该方法可以在处理不同纹理过程中,根据处理数据的纹理特征自动调整模板内部数值构成,完成对不同地面上各种有形物的辨别。3.设计了一种基于杂交水稻算法的面向对象的图像分类方法,针对图像分类中图像维数过高,造成计算冗余,以及对不同地面上各种有形物的辨别准确的度偏低,对新鲜样本的适应能力较弱的现象,提出了一种基于杂交水稻优化算法的支持向量机整体优化方法,相应实验结果表明,该方法在对图像分类的效率和精度上均有提高。综上所述,本文主要就杂交水稻算法在遥感图像增强、纹理特征提取和分类的应用展开了研究,经过实验的分析论证,杂交水稻算法在遥感图像分类过程中效果明显,满足预期目标,符合遥感图像自动解译的未来发展趋势。