随着社会发展和人口的过度膨胀，人类对土地利用的改造程度不断加深，土地类型变化加速。如何快速识别土地利用类型，有效地进行土地分类，成为土地资源研究的重点问题，而遥感技术的快速发展为土地利用监测提供了便利。多层感知器前馈神经网络（BP网络）是应用最广泛的神经网络模型之一。然而标准BP网络具有收敛速度缓慢、训练过程易陷入局部极小值等问题。本论文依托MATLAB软件平台，对标准BP网络在网络结构和学习算法等方面进行改进，并在土地利用信息提取中实现。论文取得的研究成果如下。1）论文针对标准BP网络的局限性，从以下几个方面进行了改进：①对BP神经网络结构进行深入研究，提出采用黄金分割法与遗传算法结合寻求最优隐含层节点个数，并且获得网络初始化权重参数；②针对标准BP算法运算过程中收敛缓慢和局部极小值的问题，论文将现有各种改进算法进行归纳总结，对比各种改进算法的运算效率和内存需求，并通过实验确定弹性算法为最优学习算法；③为保证BP网络能够有效的学习，对输入数据统一进行规则化处理，同时对BP网络分类输出数据进行去模糊化处理；④探讨了影响BP网络泛化能力的因素和提高泛化能力的方法。2）通过对标准BP网络在网络结构、学习算法、泛化能力、数据处理等方面的分析和改进，提出了改进型BP神经网络在土地利用分类中的流程，并以RapidEye为遥感数据源，以北京市密云县露天采矿区为研究区域进行土地利用分类，取得了较好的效果。3）为了全面评价分类结果，论文将改进型BP网络与标准BP网络、极大似然法分类结果进行对比，从分类精度、分类效率和分类图美观度三个方面分别进行定量评价。结果证明改进后的BP算法无论在分类精度、分类效率和分类图的美观可读性方面都具有优势，可以作为一个具有潜力的分类方法继续应用和研究。