遥感影像分类是遥感应用技术体系中最基础和最重要的工作。遥感分类技术的不断发展促进了遥感在众多领域的普及与应用；生态环境、国土资源、城乡发展、军事与国防等更多领域对遥感应用的实际需求,对遥感分类理论、技术与方法提出了更高要求。几十年来,遥感影像分类在理论和技术方面都取得了长足的发展,但是仍不能满足大范围实际应用的需要。由于遥感分类所依赖的影像会受到如研究区地表复杂度、物候特征、遥感传感器类别、影像预处理方法等诸多因素的影响,遥感自动分类始终是一项难度极高和极具挑战性的研究课题。本文在对机器学习领域随机聚类决策森林算法进行多方面改进的基础上,将该决策分类算法引入遥感影像分类,在提高遥感影像分类效果、满足实际应用需求等方面取得了一定进展。本文的主要创新和研究内容如下：(1)针对遥感分类算法的构建,对机器学习领域的随机聚类决策森林算法进行了改进,包括：为避免决策树结构中各子树分布极不平衡的情况出现,添加树平衡系数；为提高运算效率,对叶节点的节点不纯度予以调整；为防止分类精度的损失,在决策树层数设置方面进行优化；为降低运算复杂度,结合随机聚类决策森林算法自身的特点,采用决策预剪枝技术等多项改进。(2)对随机聚类决策森林算法和改进后的随机聚类决策森林算法,采用多光谱影像进行对比实验,结果表明虽然在总体分类精度方面,改进算法比原算法仅提高了1%；但在运算效率方面,改进算法提高了大约23.4%。(3)将改进随机聚类决策森林算法与五种经典遥感分类方法进行比较,结果显示：改进算法的分类精度比最大似然法提高了4%,比平行六面体法、M距离法、最小距离法的精度分别高出26%、16%和14%左右。(4)将改进随机聚类决策森林算法应用于高光谱遥感影像分类,对比常用的最大似然法、支持向量机方法以及神经网络方法,我们看到：支持向量机、神经网络方法以及最大似然法各有优劣,但都必须对影像先进行降维处理,而改进的随机决策聚类森林算法构建的分类器则显现出结构简单、训练容易、具有更高分类精度的优势。(5)将改进随机聚类决策森林算法与面向对象方法结合,利用eCognition商业软件完成影像分割后,针对导出的分割对象,用改进随机聚类决策森林算法与eCognition所提供的多种分类算法进行比较,实验结果表明：在训练样本相同的情况下,改进的随机聚类决策森林算法的分类精度提高了5%。综上所述,将改进随机聚类决策森林算法应用于多光谱遥感影像、高光谱遥感影像和面向对象遥感影像分类中,均表现出较为理想的分类精度,证明本文提出的改进随机聚类决策森林算法对各类可见光-近红外遥感影像具有较好的适用性。