遥感技术凭借宏观、动态、综合、快速的特点,在地球物理数据以及变化信息的采集工作中具有重要的意义,在我国国民经济、社会发展、国防建设的宏观决策中也发挥着重要的作用,展现出广阔的产业化前景。高分辨率遥感影像数据主要有多源性、空间宏观性、时间周期性、多空间分辨率等特性。传统的诸如最小距离法、最大似然法等遥感影像分类方法在一定程度上改善了分类主观性较大、操作较复杂以及耗时较多的缺点,但分类结果依然存在分类杂点较多,区域一致性差等问题,分类精度也无法令人满意,且分类结果作图也需进行进一步处理,给遥感影像分类工作带来了诸多不便。为有效解决高分辨率遥感影像分类模糊性、不确定性并较好克服影像噪声对分类结果的影响,提出了一种基于双树复小波分解的BP神经网络遥感影像分类方法。本文首先提取影像的归一化植被指数(Normalized Difference Vegetation Index,NDVI)、纹理特征来降低影像中因“同谱异物”和“同物异谱”引起的分类不确定性;然后对影像的光谱波段、NDVI、纹理特征共10个波段进行一层双树复小波分解,提取出影像多特征的低频信息,减少图像噪声导致的分类结果中存在“椒盐”现象;最后将提取的低频信息图作为BP神经网络的输入进行分类,得到分类结果。对比实验结果表明本文所提影像分类方法的结果杂点较少,“椒盐”现象更弱,具有较高的分类精度,鲁棒性也好。研究表明本文采所提结合DT-CWT分解的多特征BP神经网络遥感影像分类方法优于其他几种分类方法,证明了利用DT-CWT分解和BP神经网络结合的方法进行影像分类是一个行之有效的方法,也说明对影像多特征进行DT-CWT分解对优化神经网络运算具有一定效果。