多光谱遥感图像地物识别技术在许多领域有重要作用，如：地质测绘制图、城市规划、自然灾难检测等。目视识别是遥感图像地物识别的传统方法，其识别效果依赖于目视工作者的相关经验且会消耗大量人力资源，因此基于人工智能的计算机自动识别技术逐渐发展起来。在机器学习中，地物自动识别的经典方法是通过有监督学习对遥感图像的象元分类，其通过有类标的训练数据进行学习，从而得到训练器，再通过训练器对测试数据的类标进行预测。但由于多光谱遥感数据的象元数量极多且分布复杂，基于有监督学习的分类方法过渡依赖于训练数据，很难通过有限的监督信息预测不同卫星、不同时相、不同地区遥感图像地物的类别。　　本文在此背景下，着重于挖掘海量多光谱遥感信息的分布规律，即测试数据集自身的聚类特征，以分而治之的思想将大数据集通过无监督学习划分为若干个小数据集，再通过有监督学习识别聚类结果。　　根据上述思路，我们首先从基于无监督学习的聚类算法开始研究，提出一种基于叠加数据能量场的数据密集性分析方法，并在此密集性分析方法的基础上通过能量场中数据游走的方式对数据进行聚类，这是一种全新的聚类框架，能够对数据量大、分布复杂的数据集进行聚类分析。然后在基于光谱标记的地物分类算法中验证了通过聚类进行半监督识别的可行性，进一步完善分而治之思想：在“分”的步骤中提出一种适合遥感数据的分层 K-Means方法，在每个簇中用一个典型的中心数据代表同簇其他数据；在“治”的步骤中通过贝叶斯理论将数据能量场密集性分析改进为识别算法，对每个簇的中心数据进行分类。　　实验表明，本文提出的基于“分而治之”的半监督识别方法，能够在少量训练数据的情况下实现普适性更强的高准确率遥感图像地物识别。