遥感图像的自动分类和专题信息提取一直是遥感应用研究的方向之一。支持向量机(SupportVectorMachine，SVM)是建立在统计学习理论基础上的新一代学习系统。至今在若干实际应用(如文本编目、手写字符识别和生物进化链分析等)中，支持向量机足以提供最佳的学习性能，而且在机器学习与数据挖掘中已经被确立为一种标准工具，因此，研究基于支持向量机的遥感图像分类方法具有十分重要的理论价值和实际应用价值。　　 本文主要内容包括：　　 (1)对影响分类器性能因子的理解。要获取比较理想的分类结果，仅仅通过限制经验风险并不一定导致一个较小的实际风险(实际分类误差)，实际风险和经验风险之间的关系，即推广性的界(VCbound)，还依赖于函数的学习能力。　　 (2)研究了支持向量机分类器的构造原理和实现技术。通过分析间隔(Margin)大小对分类超平面推广性的影响，将最优超平面(OptimalMarginHyperplane)的构造转换为一个二次规划求最优解的问题，并转换到对偶空间中引入Lagrange函数进行求解。把样本数据从输入空间映射到高维特征空间，通过定义核函数解决了“维数灾难”，从而成功构造了支持向量机分类器。利用SMO(Sequential Minimal Optimization)算法完成了对遥感图像大规模样本集的训练；基于有向无环图(Directed Acyclic Graph)数据结构，在VisualC++2005中实现了多值SVM分类器。　　 (3)对所构造的支持向量机(Support Vector Machine，SVM)分类器进行应用和评估：一是评估SVM分类器对不同下垫面条件(地形、覆盖类型等)下获取的遥感图像分类的性能。选择河网密布的平原地区(扬州市宝应地区)作为典型农作物分类试验区，利用CBERS-2CCD数据：另外选择地形复杂的山区县城(浙江省安吉县及其周边地区)作为土地覆盖分类的试验区，利用SPOT-5多光谱数据；二是评估随着地物特征向量构造方式(基于光谱统计特征、纹理以及形状等)的变化，支持向量机分类器表现出的适应性。　　 试验结果表明，基于支持向量机的遥感图像分类方法在保证了较高分类精度的同时，展现出一定的普适性。对于不同分辨率的遥感数据(CBERS-2、SPOT-5和Landsat TM)以及不同的地物特征向量构造方式，SVM分类器都取得了很好的结果。支持向量机具有学习速度快、特征空间高维不限制等优势，解决了神经网络的结构选择、局部极值、过学习等问题。同时，SVM分类器可以和其他分类方法(例如Bayes分类、阈值方法，纹理分析等)有机融合，各展所长。