在遥感数据海量增加的今天，对遥感数据的快速有效处理变得越来越重要，而遥感影像的分类作为遥感数据预处理工作的一个重要环节，更是起着不可忽视的作用。随机森林作为一种分类算法，因其具有分类速度快、准确率高、能适应高维度特征等特点，在遥感数据分类领域的使用越来越广泛，同时在不同种类遥感数据中的应用工作也在不断的增多。本文将以研究随机森林为基础，并结合遥感图像的特征，对随机森林算法在遥感数据当中的应用进行研究及改进，以下为本文主要研究工作：　　首先，为了研究遥感数据噪声对随机森林分类算法性能的影响，根据遥感数据噪声特征，提出了一种基于随机森林的噪声影响模型，通过在遥感图像的不同比例波段中定量添加不同类型的噪声，再使用随机森林对其进行分类，并采用最大似然、最小距离和支持向量机分类算法作比较，研究随机森林受噪声影响的变化情况。实验采用Landsat卫星图像，并在不同波段中定量添加不同比例的椒盐噪声或条带噪声，结果表明，随机森林受噪声影响较小，是一种鲁棒的遥感数据分类算法。　　其次，针对随机森林分类器分类效率的问题，研究了基于相似度的随机森林修剪算法。在此基础上，将加权思想带入修剪过程中，提出了相似度加权修剪算法。通过对森林中元决策树进行初始化加权，并在每次修剪过后重新调整森林中剩余决策树的权重，使得森林的投票权重分布更加合理。　　最后，使用UCI数据集对相似度加权修剪算法的有效性进行验证，并将其应用于遥感影像数据的分类。实验结果表明，改进后算法所得到的最佳森林规模相比原算法最佳森林规模有所缩减，分类效率有所提升，且分类精度上也有一定的提高。