随着数字信号处理技术、计算机技术以及通信技术的迅猛发展，遥感技术在军事、民用等领域发挥着越来越重要的作用。模式分类是遥感技术中的一项关键技术。虽然模式分类技术的研究历史比较长，但随着遥感技术的发展，用户的要求也越来越高，不断需要遥感模式分类技术能够提供更好的结果，同时也促进了模式分类技术的发展。 本文的工作围绕着模式分类在遥感图象分析中的应用进行，首先分析、阐述、研究了模式分类技术，回顾了遥感模式分类领域的研究工作。继而在某些领域做了一些新的更深入的尝试和研究。 本论文中主要研究了两种模式分类方法在遥感领域的应用。根据遥感图象分析的具体应用特点，针对遥感图象数据的复杂性、模糊不确定性，我们基于经典的模糊C-均值聚类方法，提出在聚类过程中引入图象隶属度场的概念，保留了以往模糊聚类算法所丢失的像素之间的空间相关特性，由此设计了一种新的基于邻域系统的模糊分类算法（Neighborhood System-Based FuzzyClustering Algorithm，NS-FCM），该算法在聚类过程中参考了像素邻域其他像素隶属度信息。实验证明与传统的模糊聚类算法相比，本算法计算复杂度得到相当程度的降低，并且起到了平滑分类结果的效果，图象分类结果更加合理。 本文还研究了马尔可夫随机场（Markov Random Field，MRF）理论在遥感图象处理中的应用。首先实现了MRF模型的仿真、参数估计算法，分析了MRF模型应用中的一些关键问题。论文中构造了图象的隐马尔可夫随机场模型（HiddenMarkov Random Field，HMM），并且提出了基于该模型的图象分类算法。算法采用有限高斯混合模型（Finite Gaussian Mixture，FGM）描述图象像素灰度的条件概率分布，使用期望－最大化算法（ExPectation－Maximization，EM）算法解决从不完整数据中估计概率模型参数问题。与传统的分类算法相比，本文的算法获得了更好的分类效果。