遥感技术日新月异,传感器技术越发成熟,遥感影像的空间分辨率越来越高,如何在高分辨率遥感影像中进行土地利用与土地覆盖的分类任务是当前遥感影像分类的研究热点之一。传统的基于像素或基于对象的方法已经无法很好地解决这一问题,因此需要挖掘出遥感影像更深层次的抽象特征来表达这些土地覆盖与利用场景类型。语义特征是遥感影像分类中经常使用的一种抽象特征,词袋模型是一种经典的语义特征,但词袋模型的视觉词典通常没有考虑类别信息,容易对相似类别之间产生错分,因此本文提出一种通用的视觉单词优化方法,本文的创新点和主要研究内容如下:1针对词袋模型视觉词典缺失类别信息这一问题,本文提出了一种顾及类别信息的视觉单词优化方法,为每个类别分别生成一个类别视觉词典,使每个类别拥有自己独特的视觉词典,增强视觉词典的辨识能力。实验结果表明:与其他未使用类别视觉词典的方法相比,本文方法在分类精度上有显著提升。2词袋模型提取的特征并非都对场景分类有用,这些无用的特征会增加向量量化过程的计算量并影响影像的特征表达,因此需要对特征进行筛选。本文提出一种改进的特征点筛选方法以剔除那些冗余的特征点和在大部分场景中都出现的特征点。实验表明:该方法不仅可以提高运算效率,还可以提高分类的精度。3在原有的类别视觉词典的基础上,本文方法使用双步分类法进一步提升分类精度。在与类别视觉词典相关的方法中,词袋特征通常被映射到每个类别以在每个类别中获得直方图用于分类。如果词袋特征被映射到不适当的类别视觉词典,则预测结果可能不正确,并且该特定类别的直方图会对分类的结果产生负面的影响。因此该方法首先使用KCRC分类器得到两个最可能是真实类别的候选类别,使用这两个候选类别的类别直方图投入SVM进行分类。实验结果表明:相对只使用KCRC分类器的方法,本文提出的方法分类精度改善明显。