随着遥感技术的发展,高光谱遥感作为新型的遥感方式已经在许多领域得到了广泛的应用,目前高光谱遥感已成为遥感应用领域的研究热点。由于高光谱遥感影像波段多,数据量大,样本获取难度较大,这给高光谱遥感影像的处理和分析带来了新的挑战和机遇。就高光谱遥感影像而言,研究快速有效的分类方法一直是热点研究问题之一。20世纪50年代中期仿生学诞生,人们从生物进化的机理受到启发,提出了很多解决复杂问题的智能优化算法,近年来,有研究表明智能优化算法用于遥感影像处理和分析也得到了较好的效果。本文以智能优化算法在高光谱遥感影像分类中的应用为出发点,主要研究内容和成果如下：1)系统总结了传统的遥感影像分类方法,阐述了支持向量机(Support Vector Machine, SVM)方法用于高光谱遥感影像分类的原理、优点和过程,讨论了支持向量机核函数参数选取的方法。从特征选择和特征提取两个方面归纳了常用高光谱遥感影像降维方法,分析了高光谱遥感影像波段选择的类别可分性度量问题。2)针对传统SVM分类中将参与影像分类的波段子集和SVM核函数参数选取两者分开、忽略两者对SVM分类精度的相互影响、分类精度不高等突出问题,提出了几种利用智能优化算法(遗传算法、粒子群优化算法、人工免疫算法、模拟退火算法)自动选取高光谱遥感影像的波段子集和SVM分类器参数的优化模型,实现了遥感影像波段自动优选和SVM参数优化的同步完成,从而构建了更为有效的针对高光谱遥感影像分类的SVM分类模型,实验结果表明,提出的基于智能优化算法的分类模型比传统的SVM分类方法能得到更高的高光谱影像分类精度,而且自动化程度更高,具有良好的智能性。3)提出了两种改进的用于高光谱遥感影像优选波段和SVM核函数参数的粒子群优化算法：①采用模拟退火算法的粒子群优化算法(SA-PSO)进行高光谱遥感影像的波段选择和参数优化,实现了这两种智能优化算法全局最优和局部优化的互补,从而能在更大范围内搜索到最优的解。②采用一种改进的粒子群优化算法(PSO)实现高光谱遥感影像中指定波段数目的优选,使PSO优选波段方法应用更广泛,具有更大的灵活性。4)针对传统的高光谱遥感影像分类方法主要使用光谱信息的现状,将灰度共生矩阵(GLCM)的纹理特征和小波分解(DWT)得到的小波特征用于高光谱遥感影像分类,提出了采用智能优化算法实现纹理特征、小波特征和影像光谱特征的更大范围特征的优选方法,扩大了优化特征空间的范围。实验证明,采用纹理特征、小波特征和传统的仅用光谱特征的集成这三种类型特征分类方法,可以获得比传统仅用光谱特征分类更好的分类效果,而且,采用PSO智能优化算法自动实现对高光谱遥感影像光谱、纹理和小波特征所形成的新的特征空间进行优选特征和SVM参数能进一步改善影像分类的精度。