随着遥感技术的快速发展,利用遥感图像进行土地利用分类是遥感应用研究中的一个重要领域。如何提高遥感图像土地利用分类的精度是当前需要解决的关键问题。粗糙集和模糊集均为处理不确定性问题的数学分析理论。粗糙集将知识作为对对象分类的工具,能直接从给定数据中进行知识挖掘,无需提供任何的先验知识,具有很强的客观性;但其在知识约简之前必须对连续属性数据进行离散化,这一过程将造成一定程度上的信息损失。模糊集着眼于集合的模糊性,利用隶属函数来描述模糊概念。模糊集与粗糙集的结合,可通过模糊化过程将数据转化为相应的模糊隶属度,能解决粗糙集离散化过程中的信息损失问题。本文首先分析了遥感图像的多光谱特征,以一定的距离门限值对样本进行聚类,计算各样本聚类中心到类别中心的距离,研究这些中心的特征矢量与地物类别的关系,在此基础上建立土地利用类别模式,然后以区域为分类单元提取区域多中心特征,以区域单元含类别类内中心的数量以及区域单元中属于某种类别的像元占单元总像元数的百分比为分类准则,最后以此分类准则进行土地利用类别识别。区域多中心分类方法充分体现了土地利用分类体系以地物种类及其所占总面积比例划分的基本思想,同时可较好地解决一种土地利用类别由多种地物组成,难以求取其多元统计分布模型的问题。但这种方法缺乏充分的理论支撑,在多次实验的基础上建立分类准则,增加了分类的工作量和复杂性。因此,本文在区域多中心分类方法的基础上,有机融合了模糊粗糙集理论,在模糊粗糙集模型基础上建立分类规则,并利用TM遥感图像对长沙市周边地区进行了土地利用分类研究。首先利用区域多中心分类方法获取分类属性数据,利用模糊集理论进行属性模糊化,在此基础上建立土地利用分类决策表;再利用粗糙集快速约简算法对决策表进行属性约简,建立土地利用分类规则。最后,通过误差矩阵和采样方法进行精度评价分析,采用模糊粗糙集的区域多中心分类方法的总体精度和Kappa系数分别为88%和0.8473,均高于采用最大似然法、神经网络法的分类结果。以上研究结果说明,模糊粗糙集理论能较好的解决遥感图像分类中的不确定性问题;基于模糊粗糙集的区域多中心分类方法是一种有效的分类方法,能提高分类的精度。