遥感技术是一门涉及到多种领域的综合性探测技术,能把接收到的地物所辐射的电磁波信息进行不同方式的处理,从而观测和识别各类地物和相关现象。该技术在很多领域都有应用,已经成为测绘和规划、地球环境资源调查领域应用过程中不可缺少的有效手段。遥感影像的分类与制图为制作或更新地图和专题图提供了重要的技术手段,为各行业的发展提供了真实、可靠的信息,是地理监测、生态保护等工作的基础。本文着重研究了模糊聚类算法和特征选择算法在遥感影像分类中的应用问题。首先,分析了影像分类的发展背景、研究方向、国内外研究现状及存在的问题,对其中涉及到的分割、分类方法及模糊聚类算法进行了详细的介绍。其次,针对模糊C均值(fuzzy c-means,FCM)聚类算法在操作过程中体现出的不足之处,对算法做了进一步的改进。最后,为解决影像分类实验过程中,特征提取环节所提取特征之间相关性大、冗余度高,影响分类效率的问题,提出最小冗余度最大相关性(minimum Redundancy Maximum Relevance,mRMR)算法与改进FCM聚类算法结合的遥感影像分类算法,来提高影像分类效率。本文的主要研究内容如下:1.针对影像地物种类繁多,地物特征混杂,现有FCM算法稳定性差、空间信息利用不充分的问题,提出改进FCM聚类算法与加权多核SVM分类器结合的遥感影像分类算法。在聚类分割目标函数计算阶段,考虑单像素对聚类结果产生影响的同时,邻域像元的影响采用吸引力模型进行度量;特征提取阶段使用空间像素模板法提取像斑特征点,并基于加权多核SVM分类器实现影像分类操作,以获取地物类别信息。2.为解决影像特征间相关性大、冗余度高带来的分类问题,提出一种基于mRMR选择和改进FCM聚类的影像分类算法。首先基于对象置信度指标(OC)进行影像分割,后利用mRMR算法实现特征选择,解决特征冗余问题;并将提取的特征通过改进FCM算法聚类,得到最终分类结果。实验结果表明,该算法能降低信息冗余、减小特征间的相关性,并有效提高影像的分类效率。