第六次全国荒漠化土地监测工作将于2019年全面开展,实时的、精准的判断荒漠化土地的变化情况,在节约社会资源的同时,有效的实现点对点精准治理,为荒漠化土地的科学治理奠定良好的基础。做好荒漠化土地变化监测工作是保护生态系统、维护生态系统稳定性、推进荒漠化治理和多元化生态补偿机制的重要举措。利用遥感技术或BP神经网络对荒漠化土地进行分类和变化监测,都存在一定问题,传统的遥感分类方法过多依赖于影像质量;BP神经网络学习速度慢、对目标误差的趋近速度慢,这些问题都可能对遥感影像分类产生不良影响。本文通过研究提出了一种GA结合PSO优化的BP神经网络遥感影像分类方法,并应用于遥感影像荒漠化分类与变化监测,本文的研究工作主要包括:1)基于对BP神经网络、遗传算法(GA)、粒子群算法(PSO)、Alexnet卷积神经网络模型的实现过程、优缺点的研究,在此基础上提出一种GA结合PSO优化的BP(GA-PSO-BP)神经网络遥感影像分类方法,将其应用于遥感影像分类工作中,实验结果表明GA-PSO-BP遥感影像分类方法,可以较好的提高遥感影像的分类精度并且减少网络收敛所需要的时间。2)以广西桂林雁山镇部分区域遥感影像作为训练区,将训练区内地类分为6类,根据一定的原则和不同的尺度,采集了500个多尺度样本;对训练区与测试区影像进行影像预处理(图像增强)工作,减少影像本身带来的分类误差。3)基于训练样本和预处理后的训练区遥感影像,分别进行BP、GA-BP、PSO-BP、GA-PSO-BP、CNN-Alexnet神经网络遥感影像分类实验,对分类结果进行混淆矩阵精度分析,并将GA-PSO-BP遥感影像分类模型用于另外两个不同的实验区,以此验证分类模型的可移植性。实验结果表明GA-PSO-BP神经网络模型简单易操作,对样本数据集的仿真误差为10.0104,分类效率高、精度高、具有较好的可移植性。4)基于GA-PSO-BP神经网络遥感影像分类方法,对测试区2005年、2010年、2016年影像进行分类,采用差分法对分类后结果进行变化监测,最后对变化监测结果进行分析,总结产生变化的原因,提出合理的治理建议。本文提出的GA-PSO-BP神经网络遥感影像分类方法,在网络收敛所需要的时间方面有所减少、且结构简单、学习稳定、易操作,对样本的尺寸没有特定要求,提高了遥感影像分类和变化监测的精度。