遥感作为近几十年迅速发展起来的一门综合性技术学科,因其具有观测范围广、采集息量大、获取信息速度快等特点,已经在民用和军用的众多领域发挥了重大作用。遥感技术的发展,使人们可以获得更加丰富的信息,特别是近年来高分辨率遥感图像的出现更加扩大了对自然界观察的视野。遥感图像处理是遥感科学与具体应用相结合的重要技术途径。遥感图像分类是遥感图像处理的一个重要内容,其中监督分类作为一种先学习后分类的机器学习策略,是对遥感图像进行定量分析的主要手段,应用领域十分广阔。本文把模式识别技术应用到高分辨率军事港口遥感图像识别领域,实现了军事港口目标的自动识别任务,提高了对遥感图像的理解。本文主要完成了以下工作：(1)建立了实验所用的高分辨率军事港口遥感图像数据库。通过对彩色图像颜色空间和Google Earth软件的系统学习,以美日的8个军事港口为研究对象,选定以视场高度为2000-3000英尺,标尺为1厘米,用HyperSnap软件截取150幅清晰的军事港口遥感图像,从而建立了军事港口数据库。(2)采用主成分分析算法对目标图像进行特征提取。针对目标图像信息较大的特点,本文采用PCA(principal component analysis, PCA)和2D PCA(two-dimension principal component analysis,2D PCA)算法完成了对高维军事港口图像的降维,得到的主成分特征作为分类器输入参数进行分类处理。(3)采用k-近邻(k-nearest neighborhood, kNN)和支持向量机(support vector machine,SVM)两类分类器,设计军事港口遥感图像目标分类器。本文分别选取不同的分类器和分类参数进行实验,并对实验结果进行了评估分析。实验结果表明：SVM分类器识别率最高,最大识别率为93.3%,kNN识别率可以达到80.0%,识别效果较好。(4)设计实现了军事港口目标分类平台,建立SVM和kNN分类模型,平台界面操作简单,可靠性强。实验结果表明,本文工作为计算机辅助军事港口目标分类的研究提供了很好的支撑。