高效、精准的获取农作物的种植分布和变化情况是对固定范围内的农作物进行估产的重要依据,同时也对我国制定合适的粮食计划、经济方针和管理手段有重要的参考意义。通过对遥感影像的分类可以实现对农作物种植面积的提取,但目前的分类方法大多具有局限性,主要表现为分类精度不高。如何将几种分类器的优点融合,以便提升农作物遥感影像的分类精度,是本课题研究的重点内容。为了提高农作物遥感影像的分类精度,本文将监督分类法中的最大似然法、马氏距离法和支持向量机法用一种基于决策输出的集成学习方法组合起来。并利用这种经过集成学习后的分类方法对黑龙江省海伦市的Landsat 8遥感影像进行分类。通过对比本课题得到的六组分类结果,发现基于决策输出的集成学习方法比三种单一的分类方法的精度要高,不仅体现在总体分类精度和Kappa系数上,而且各个类别的精度和整体的鲁棒性也得到了提升。论文紧绕农作物遥感影像分类方法展开研究,主要的研究内容和创新点如下:(1)对遥感影像分类方法的研究现状进行归纳总结。首先对多个经典分类器的特点和分类算法进行了研究与分析,然后结合农作物遥感影像的特征,完成了基于经典分类算法的农作物遥感影像分类。(2)对现有集成学习方法在遥感影像分类中的应用情况进行了总结,并通过课题实验进行分析和验证。在详细分析多种分类器性能和特点的基础上,选取性能较好的三种经典分类方法,然后对这三种方法采用了基于决策输出的集成学习方法组合,并分析了分类器间的差异性与分类精度的关系。课题研究中进行了多组实验用于确定分类规则和权重,通过对比几组结果的混淆矩阵,表明本文采取的基于决策输出的集成学习方法能够有效的提升分类精度。