随着遥感技术的快速发展,卫星遥感影像的分辨率不断提高为我们提供了更加丰富的地球表面信息,特别是近些年来高空间分辨率遥感卫星的出现,使得我们可以很好的获得除了地物光谱信息以外的几何信息以及纹理信息。遥感影像的地物分类是遥感图像信息处理中最基本的一个环节,它在土地利用、环境监测、地质勘查等众多领域有着重要的作用。因此,对遥感影像进行地表信息的提取一直是一个值得长期研究的课题,如何利用更好的分类技术对遥感影像进行地物分类直接影响着遥感技术的应用。所以,许多相关领域的学者都在不停地尝试改进现有的分类方法以及探索新的分类方法,为提高遥感影像分类的精度和速度做出突出贡献。本文选取舟山群岛以及宁波部分地区的Landsat8影像作为分类的实验数据,以多幅具有丰富地物类别的遥感影像作为训练样本,基于机器学习理论中的支持向量机(SVM)算法对遥感影像进行分类,通过提取多幅具有丰富地物类型的遥感影像的颜色特征和纹理特征,将两种特征归一化后作为地物样本的总特征,然后利用多个地物类型和每种地物的多个样本数据进行多分类SVM分类器的训练,再利用滑动窗口选择多个子窗口图像,并利用训练好的分类器判别该窗口图像属于哪一类地物类型,最后对整幅图像邻近的相同地物窗口进行合并,并输出整幅图像的分类结果。通过将实验结果与利用遥感图像处理软件ENVI对遥感影像进行最大似然法分类的结果相比较,可以发现虽然SVM算法在特征提取、样本训练上会比利用ENVI花费更多的时间,但是在分类精度上明显高于最大似然分类法,而且训练好的SVM分类器可以对任何遥感影像进行分类,实用性更好。