遥感影像信息提取技术中，以监督/非监督分类为代表的模式识别分类方法已得到广泛应用，但是大多是根据地物的光谱分异特征来提取地物信息，未考虑混合像元问题。同时，由于遥感影像的模糊性，进一步降低了地物信息提取的精度。针对存在的问题，论文以盐城保护区为实验区域，以Landsat TM影像为数据源，在传统信息提取技术的基础上，通过改变特征变量和引入模糊集理论，构建新的模糊分类器，进行湿地植被.米草信息提取方法研究。　　 论文研究的主要内容和结论包括：　　 (1)通过对特征变量选择的改进，提高了分类精度。　　 特征变量的选择是信息提取的关键，以往基于像元的遥感影像信息提取方法，大都只是针对影像的光谱特征，具有一定的局限性。而论文根据保护区的实际地物类型，在图像光谱信息的基础上，进行特征变换。通过选取主成分(K-L)变换的第一主成分、缨帽(K-T)变换的绿度和湿度、纹理(Texture)变换的纹理熵等变量，构建新的特征集。该特征集既保留了主要的光谱信息，又增加了空间信息，可以有效地改善只采用光谱信息的局限性。实验研究表明，基于特征变换的米草信息提取精度达到84.76％，与仅考虑光谱信息的监督分类方法相比，分类精度提高了7.62％。　　 (2)引入模糊集理论，利用模糊C-均值方法进行米草提取实验。　　 新获得的特征变量可以改善米草信息提取效果，但依旧存在混合像元问题，为解决这个难题，论文在特征变换的基础上，将模糊集理论引入分类过程。利用最常用的模糊C-均值方法进行分类。但由于模糊C-均值算法本身对样本数据有严格的要求，而且整个分类过程建立在对样本数据进行自动分析的基础上，缺少对数据的训练和分析，实验结果并没有达到预期的效果，总精度低于80％，不能作为进一步的决策依据，需做进一步的改进。　　 (3)改进模糊分类器，进行米草信息提取实验。　　 论文基于模糊C-均值方法的不足对模糊分类器进行改进，将经验知识引入模糊分类。首先利用监督分类对数据进行训练统计和分析；其次根据各类地物在各特征变量的分布情况，选择接近其分布曲线的隶属函数将变量模糊化，最后建立模糊规则，完成适合该区域的模糊分类器的设计。改进后的模糊分类器具有很强的灵活性，可以根据需要进行修改和优化。实验结果也证明，利用改进模糊分类器获得的实验结果精度高于其他三种方法。　　 为提高分类精度，论文分别从特征变量和提取方法两个角度对模糊分类器加以改进。最后论文从定性和定量两个角度进行评价。结果表明，基于改进模糊分类器的米草信息提取结果准确率较高，与其他方法相比分类精度均有较大提高。比基于特征变换的最大似然法提高3.67％。结果证明，将模糊集理论引入遥感影像的分类过程是正确和合理的，明确分类对象之间不确定地区的归属，极大地提高了分类结果的精度，也更符合地物的实际分布。