遥感监测领域蕴含许多有价值的应用,海冰分类和浮游植物浓度分析便是其中重要的研究内容。海冰类型分析对于海冰状况研究,舰船航行安全保障以及海上贸易通道的畅通都有十分重要的意义。长期以来,常规的海冰分类分为监督分类和非监督分类两种。本课题研究内容之一就是选用监督分类方法中较为成熟的支持向量机(Support Vector Machine,SVM)结合图像中像元的纹理特征进行分类。首先分析出图像的纹理特征,然后再使用支持向量机分类器进行分类。通过实验可知,此改进方法可以很好地识别出SAR海冰图像中的一年冰、多年冰和海水。为说明本文方法的有效性,本实验采用经典的两类分类方法最大似然法(Maximum Likelihood)和神经网络法(Neural Net)作对照,通过对比可知,该方法是一种分类精度较高的海冰分类方法,实验结果验证了本课题方法的有效性,为海冰分类提供了一种新策略。由于目前海冰分类研究主要采用监督分类方法,采用自动聚类的方法很少,所以本课题的第二部分采用高斯混合模型分析哨兵数据,探究海冰分类领域自动识别算法的可行性,并将实验得到的数据进行多方位解析,探究影响分类精度的因素,为此为海冰分类领域的研究提供一种新的视角。研究海洋数据融合及其可视化时,本文以MODIS、ScaWiFs卫星采集的全球海洋叶绿素a浓度数据为对象,分析数据空洞类型,结合周围网格点以及其他时刻该网点数据选用最近邻法、双线性插值法以及线性差值法对其进行两步数据融合,有效减少了数据空洞,提高了全球叶绿素a数据覆盖率。