遥感图像分割,是指对遥感图像进行处理、分析,从中提取目标的技术和过程。由于遥感图像的尺寸大、多波段、内容丰富多样、纹理特征丰富、多尺度等特征,对遥感图像的分割比一般图像的分割难度更大,简单地将一般图像的分割方法运用到遥感图像的分割中并不能得到令人满意的结果,因此需要对这些方法做出改进或者提出新的方法以适应对遥感图像分割的要求。本文以遥感图像为主要的分割对象,对图像分割的相关技术进行了研究并提出了两种有效的遥感图像分割方法。基于猫的视觉原理建立的Eckhorn模型是脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的基础,而后经过Johnson和Padgett等人对模型做了进一步的研究与简化,最终在国外被称之为第三代人工神经网络。本文研究了PCNN在图像分割方面的应用,并且在传统PCNN模型的基础上,从适合于图像处理的角度考虑,对现有模型进行了改进,首次提出了一种基于主分量分析(PCA)与脉冲耦合神经网络(PCNN)结合的遥感图像分割方法。它通过对图像在每个像素的邻域的基础上进行主成分分析,产生每个图像像素的特征向量,然后再用PCNN对得到的特征图像进行点火分割。实验结果表明,与传统方法比较,本文算法在分割结果、实时性以及稳健性方面具有较强的优越性。模糊C均值(FCM)聚类分割算法是基于对模糊目标函数的优化基础上的一种数据聚类方法,主要目的在于将向量空间的样本点按照某种距离度量划分成C个子空间,聚类的结果特征是一个数据对聚类中心的隶属程度,该隶属度用一个数值来表示。但是FCM聚类算法本身也存在一定的缺陷。该算法是一个迭代循环的过程,在分割过程中计算量比较大,因此本文首次提出了基于主成分分析与模糊C均值算法相结合的遥感图像分割方法。由于主成分分析能够在一定程度上的降低数据的空间维数,这样就减少了聚类迭代算法中的计算量。实验结果表明,我们可以看出这种算法的分割效果很好,并且消耗时间较短,计算复杂度降低,因此本算法对于遥感图像的分割具有很好的应用价值。