随着遥感技术的快速发展,遥感技术已经广泛应用于各个领域。其中,景物分类是其重要组成部分。遥感数据源的增多,人们对遥感数据处理分析方法和手段也在不断发展,新的分类方法和思想都在不断的涌现。选用一个理想的分类器,选取区分能力强的特征是决定分类性能的关键。本学位论文首先简要介绍了几种传统的基于统计的非监督和监督算法。由于传统分类方法不能满足日益增长的分类要求,所以我们采用了趋于人脑化和自动化的神经网络分类方法。在特征方面,由于可见光图中同类景物的灰度值往往容易随季节、气候、时间的变化而变化,因此在特征选择中主要考虑选择与结构、灰度分布相关的特征。本文采用了反映图像亮度的空间变化情况的纹理特征,在193个由灰度共生矩阵特征,灰度-平滑共生矩阵特征,灰度-梯度共生矩阵特征以及灰度行程长度特征组成的候选特征中,我们采用类内方差小,类间方差大的原则,选用了21个特征作为神经网络的输入元。在保证对测试样本集的识别正确率的基础上,我们针对全图分类中可能出现的问题进行了阐述并提出了解决方案。在全图遍历的过程中,我们采用了重合搜索的遍历方式,通过决策级融合,提高了对全图分类的准确性和精确度。在各种景物类别中,散落居民区类别是一个比较重要而且非常特殊的类别。在全图分类的过程中,我们针对散落居民区类别精度要求高,模式复杂的特性,提出了采用边缘密度强度,重复遍历的方法,同时再次使用神经网络区分了散落居民区的不同模式。文章最后对本学位论文进行了总结,并用实验证明我们的方案是行之有效的。