随着空间遥感技术的不断发展,遥感影像空间分辨率也不断提高。人们可以从遥感影像中获得更多有用的数据和信息,而对遥感影像分类是遥感影像信息获取的重要手段。由于遥感影像上的光谱值是多种地物的混合光谱,存在着“同谱异物”和“同物异谱”现象,因此仅依靠像元光谱之间相似性进行分类的总体精度难以提高。而人工神经网络法由于其非线性特征和较强的容错能力,为解决上述问题提供了可能。本文回顾了遥感图象分类的研究背景,简要概述了遥感影像分类的概念和原理,详细探讨了传统的遥感分类方法——监督分类和非监督分类,以及近年来出现的一些新的分类方法——人工神经网络分类法。对各种网络模型的原理、算法及各自的优缺点进行了比较分析。通过运用C#.NET和ArcEngine技术,并调用MATLAB引擎实现了基于人工神经网络的遥感影像的自动化分类。通过分析分类过程中出现的误分现象,提出在分类过程中增加坡度因素的方法,将非遥感数据与遥感数据进行复合。在网络模型的训练过程中总结坡度与地物的相关性,并将最终的网络节点的阀值和权重保存在训练好的网络中。通过后期的分类评价表明,运用该方法使得分类精度有了显著的提升。最后,采用不同的网络模型和算法对实际遥感影像进行分类,并对分类结果进行分析比较,选择最优的网络模型。结果表明,人工神经网络分类方法在分类效果上要优于传统的分类方法,在各种BP网络模型中性能最优的是基于及早停止训练策略的Levenberg-Marquardt法。总之,遥感影像分类是模式识别领域一个比较复杂的问题,遥感影像的监督分类和非监督分类方法,是影像分类的最基本、最概括的两种方法。传统的监督分类和非监督分类方法虽然各有优势,但是也都存在一定的不足。而新的分类方法如神经网络以其自适应、自学习、联想记忆和分布存储等良好特性,被人们加以重视和广泛应用于影像分类中,打破了传统的统计分类方法的局限,提高了分类速度和精度。虽然各种分类方法各有特点,但在实际工作中还需要综合应用多种分类方法,以提高分类的准确率与精度。