遥感是一种远离目标，通过非直接接触而判定、测量、并分析目标性质的技术，它实现了空间(或地表)图像信息的采集、处理、识别和分类。遥感技术作为一种信息时代的产物和工具，具有周期动态性、信息量丰富、获取效率高等显著优势，因此可以说遥感技术是当前人类获取时空信息的最有效的技术和手段之一。遥感影像主要被用来测绘地形图，制作正射影像图和经专业判读后编绘各种专题图。通过格式变换，直接存入地理信息系统的数据库，修测的内容可以更新GIS数据库。模式分类技术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，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。假设条件存在差异时，无法取得满意的识别效果，使得传统的遥感影像分类方法难以快速准确地从遥感影像中提取信息。神经网络技术的发展为解决这一问题提供了新的方法，神经网络具有学习能力和容错特性并且无须就概率模型作出假定，适用于空间模式识别的各种问题的处理，因此神经网络技术日益成为遥感影像分类处理的有效手段。本文在总结目前国内外研究现状基础上，采用BP神经网络算法、Kohonen自组织特征映射网络(SOM)、模糊Kohonen聚类网络(FKCN)和一种改进的自适应FKCN网络(AFKCN)并结合遥感专业软件ERDAS对遥感影像进行分类研究，主要完成以下工作：1．首先回顾了国内外学者在遥感影像分类领域所作的一些研究工作，重点介绍了神经网络用于遥感影像分类的基本原理和方法。2．在分析了传统监督和非监督分类方法的基础上，分别给出了传统分类六种算法的分类思想和算法流程。并指出了这些基于统计模式识别的传统分类方法的不足，结合模糊数学的思想，将模糊模式识别技术引入遥感图像分类中。3．BP神经网络近年来广泛地应用于遥感影像分类中。本文利用遥感图像处理软件ERDAS Imagine，对渤海湾地区的TM遥感影像数据首先进行非监督分类，然后结合BP神经网络分类器对其进行二次分类。4．模糊Kohonen神经网络(FKCN)是把模糊C-均值算法(FCM)与一般的Kohonen网络学习规则和更改策略结合起来，采用批处理的学习方法，并且可以自适应地调节网络参数。实验证明，利用模糊神经网络对遥感图像进行聚类是一种有效手段。5．虽然模糊Kohonen聚类网络(FKCN)表现出强大的优势，但还存在着许多缺陷，如网络节点无法自动确定、网络收敛速度慢、计算量大等，从而使FKCN的应用受到限制。针对这些问题，本文提出了一种能根据目标图像的灰度分布特征自动确定网络结构的自适应FKCN模型(AFKCN)。通过采用新的模糊算子及在网络学习过程中变换迭代样本空间，大大加快了网络的收敛速度、改善了聚类结果。