随着多媒体、通信技术的发展和普及，数字图像的应用和传播也越来越广泛。由于图像包含的丰富内涵远非文本所能表达，所谓“一幅图像胜过千言万语”，图像所包含信息的分析和获取成为信息处理的一个重大课题。 图像包含信息以各种模式所体现，包括像素级模式，颜色、纹理、形状等视觉特征模式，以及语义级模式。因此，基于图像的信息获取的关键就是各类模式的识别。而模式识别的基础是对模式的适当描述即模式表示，以及模式分类方法。 像素级模式分类重点在于模式分类方法的设计。对视觉特征级模式和语义级模式研究重点就在于模式描述方面，反映在特征的提取上，与具体的应用领域的知识相关性很强。本文将基于图像的信息获取技术研究与林业应用领域的实际需求相结合，开展了具有特色的方法和应用研究，概括为以下四个方面的内容： 一、目前对遥感图像的信息获取主要针对像素级模式的分类，其重点在于模式分类方法的设计。本文应用多类支持向量机方法对遥感图像进行模式分类，实验结果表明支持向量机方法应用于遥感图像模式分类的有很好的效果。但由于遥感图像模式分类数据量大，待分类类别多，基于支持向量机的监督学习方法需要人工标注大量的训练样本，效率比较低。为此，提出在人工标注少量典型样本后运用模糊聚类算法自动标注样本生成训练样本集，进而训练支持向量机进行分类的半监督式支持向量机方法，在保证应用要求的分类精度的前提下，有效提高了工作效率。 二、为进一步提高模式分类的精度，结合分类器集成的研究，参考神经网络集成的方法，提出了基于模糊聚类的选择性支持向量机集成的算法，并进行了支持向量机集成的遥感分类实验，表明支持向量机集成是提高分类精度的好途径。 三、结合基于图像的信息获取技术，提出了基于图像的计算机辅助植物识别概念和实现方案。该方案基于图像提取植物的叶、茎、果等的外观特征，如叶面积、叶形、果形等，利用模式分类技术进行植物识别和分类。相对而言，基于图像的分类特征提取是其关键。以植物叶子特征提取为例，提出基于叶子特征的植物识别模型，运用图像处理技术和支持向量机方法描述并成功提取了叶子的叶形、周长、叶面积、长宽比、叶缘锯齿数等多个分类特征。研究结果表明，计算机辅助植物识别是可行的，有进一步研究的价值。 四、在图论二部图直观分类特征启发下，提出了基于关系的二部图分类方法。该方法具有直观、易于实现的特点，既可应用于分类，也可用于分类特征分析。