伴随着遥感监测技术的飞速发展,遥感平台获取的图像所涵盖的信息也日渐丰富。遥感图像以其自身具有丰富的数据量为许多研究工作奠定了坚实基础。但遥感图像中存在巨大的数据量,具有复杂、多光谱和多层次等特点,时常出现目标形状各异等特殊情况。因此,如何精准化分割遥感图像成为了遥感图像处理的重点研究方向。聚类算法作为经典无监督学习方法,已经在图像分割领域得到了很好的应用。本文以Kmeans聚类算法在计算机视觉领域所取得的成果为基础,围绕提高Kmeans算法在遥感图像分割中的性能展开研究,主要完成工作如下:(1)针对Kmeans聚类算法单次计算耗费时间较长的问题,通过将曼哈顿距离与切比雪夫距离组合成一个线性距离模型来代替欧氏距离进行数据之间的距离计算,接着利用这个线性距离模型进行聚类。实验证明,采用基于Kmeans聚类算法的遥感图像分割方法能实现在保证分割精度的前提下有效缩短遥感图像分割时间。(2)针对Kmeans聚类结果过于依赖初始聚类中心选择的问题,提出一种基于粒子群和改进Kmeans聚类的遥感图像分割算法。首先动态调整粒子群优化算法中的惯性权重,使其服从一个概率分布;接着利用动态粒子群优化算法输出的总体最优解作为Kmeans聚类算法的初始聚类中心;最后利用提出的线性距离模型完成聚类。实验证明,改进后的遥感图像分割方法达到有效提高遥感图像分割视觉效果和分割精度。(3)针对粒子群优化算法容易在局部最优附近徘徊的问题,提出一种融合遗传算法和粒子群算法的GAPSO混合模型进行遥感图像分割。为了结合遗传算法的全局搜索能力和粒子群优化算法的快速收敛能力,首先通过对每一代遗传算法与粒子群优化算法各自对应种群的最优解进行比较并执行两种算法间的赋值操作,得到总体最优解,将其作为结果输出到Kmeans算法作为初始聚类中心,并利用提出的线性距离模型完成聚类。实验证明,改进后的遥感图像分割方法能够有效提高遥感图像分割性能。