在大面积的森林资源调查监测中，遥感图像的森林分类研究成为遥感技术应用的重要方向。本研究对面向对象的SPOT5遥感图像多分类器森林分类进行了初步的研究，旨在提高SPOT5图像森林分类精度，为解决森林分类问题提供科学依据。在研究中，先对SPOT5遥感图像进行预处理、图像分割、特征信息提取等一系列处理；再运用Matlab编程计算，分别通过协方差矩阵和复相关系数进行对象特征的简单相关性筛选和多重相关性筛选；然后采用改进最小距离、马氏距离、Bayes、SVM、BP神经网络5个分类器对SPOT5遥感图像进行分类，实现面向对象多分类器森林分类；接着对5个分类器的分类结果采用多数投票法进行多分类器结合；最后对分类结果进行精度评价分析。主要的研究结果如下：　　 (1)运用matlab编程实现分类后，从类型精度和数量精度两个方面对分类结果进行精度评价，类型精度为主要参考指标，数量精度为辅助参考指标。从类型精度方面，各分类器分类的总体精度和kappa系数从高到低依次为：Bayes>SVM>马氏距离>BP神经网络>改进最小距离；从数量精度方面，各分类器分类的面积相对误差从小到大依次为SVM(22.59％)>Bayes(25.91％)>BP神经网络(33.28％)>马氏距离(78.33％)>改进最小距离(125.05％)。经过综合评价得出，本研究中Bayes分类器的分类效果最佳，它的分类总体精度、kappa系数、面积相对误差分别为72.02％、0.6767、25.91％,　　 (2)利用相同的特征集采用不同分类器进行分类，无论是生产者精度、用户精度还是条件Kappa系数，各个分类类型最优的分类器都有所不同，在各精度指标的最优分类器中，Bayes分类器占有最大的比例，说明Bayes分类器分类效果最优。　　 (3)除了最小距离分类器，其他分类器林地类型的分类精度均低于非林地类型的分类精度。林地类型中速生桉和针叶林的分类精度较高，灌木林、宜林地和一般阔叶林的分类精度相对较低。　　 (4)对5个分类器的结果采用多数投票法进行多分类器结合，经过精度评价得出，它的分类总体精度、kappa系数、面积相对误差分别为66.27％、0.6119、23.91％。在本研究中，投票法多分类器结合的分类精度没有高于所有单分类器分类精度，没达到提高分类精度的预期目标，这主要是多分类器之间的关联性高和植被特征相近造成的。