随着遥感技术的发展,对地观测系统已获取了海量各种类型遥感数据。现有研究表明,数据转化为信息存在许多不足,而遥感图像分割又是实现数据转化为信息过程中起着重要作用的一项关键技术,也是遥感图像处理领域的重点及难点课题。虽然已发展了大量的图像分割方法,并取得了一些研究成果,但应用到遥感图像分割中仍存在算法的适用性差、分割效率低、分割精度不高等不足。针对这些不足,本文拟采用Mean Shift算法进行遥感图像分割,充分利用图像的多维特征,自适应降噪的同时有效保留目标物体的边缘信息,以提高图像分割的精度和可靠性。本文研究工作主要包括：(1)提出一种结合纹理特征的自适应带宽遥感图像分割方法,以解决Mean Shift算法分割精度不高的问题。传统Mean Shift算法只使用了图像的“位置-颜色”域特征,导致图像分割精度不高。该方法则充分利用遥感图像的“位置-颜色-纹理”域组成多维特征空间,发展自适应带宽策略。先对“位置-颜色”域特征数据进行聚类,再对聚类结果计算每一聚类区域的空间带宽、灰度带宽和纹理带宽,最后在“位置-颜色-纹理”域进行自适应聚类,得到分割结果。实验结果表明,该方法具有自适应性和稳健性,可以较好地提高遥感图像分割精度。(2)引入一种区域合并方法,用于图像分割的后续处理中,以解决Mean Shift分割算法易产生的过分割问题。该方法先根据待处理遥感图像的空间分辨率确定固定空间带宽,再利用plug-in规则计算遥感图像每个波段的颜色带宽。采用基于区域面积加权的区域相似度准则和基于区域熵的合并停止准则来进行分割后的区域合并,从而解决过分割问题。(3)提出了一种改进的快速遥感图像分割方法,以解决Mean Shift算法迭代时间长不适于处理海量的遥感图像的问题。针对影响Mean Shift算法的时间复杂度的各个变量分别提出加速策略；先利用固定带宽的高斯Mean Shift算法进行聚类得到超像素,再计算每个超像素的自适应带宽；最后采用基于区域的超像素融合来完成遥感图像分割,以达到快速地分割遥感图像。(4)采用成熟的分割评价方法,用以评估遥感图像分割效果。对比分析了马丁误差估量法和对象级一致性误差估量法。实验比较得出：对象级一致性误差估量法是基于对象水平,能够很好地量化分割图像与参考图像之间的差异；相对于马丁误差估量法而言,对象级一致性误差估量法能够正确地反映分割图像中存在的过分割和欠分割状况,其评价结果与主观评价更加相符。(5)发展一种基于Mean Shift遥感图像分割的道路提取方法。该方法首先应用Mean Shift算法实现道路图像的初步分割,再合并灰度相似的区域,并依据直方图选取最佳的阈值,进行二值化分割；然后引入形状因子去除混杂在图像中与道路形状特征不相似的区域,对于仍然与道路相连的非道路区域,则构造多方向形态学滤波对其进行剔除,从而分割出独立的道路区域,同时提取出道路线；最后连接断裂的道路线,实现道路网的提取。多组实验结果表明,该方法能很好地从复杂环境中提取道路网,特别是对直线型道路尤其有效。最后,总结了本文的研究成果。下一步需要深入的研究工作有：(1)考虑分割的多尺度性,实现基于Mean Shift算法的多尺度遥感图像分割；(2)考虑利用Gabor滤波器来提取纹理特征,或将更多的特征如形状等特征用于Mean Shift遥感图像分割中。