进入二十一世纪，太空科技的飞速发展，给遥感图像的广泛应用奠定了基础。近年来，随着我国城市化进程明显加快，人地关系日趋紧张，土地利用监测的压力越来越大。城市土地使用是一个地区内自然环境与人文活动交互作用并于地表上展现的结果，在不同的社会文化背景、政治经济发展条件及自然环境下，会展现出各种不同的土地使用形式。传统的人工实地统计需大量的人力物力，利用遥感影像来监测土地利用动态变化和城市扩展模拟与预测是一个遥感影像智能处理的发展趋势。国内外学者在这些领域也做了大量的研究工作，为本文的研究提供了坚实的基础。　　 目前，在土地动态监测、城市空间扩展模拟等实际应用中往往要涉及到遥感影像分类问题。随着我国航天事业的快速发展，获取航拍影像的方式越来越多，获取的图像精度也得到了显著提高，其含有的数据量也越来越大。遥感图像数据集也逐渐呈现的特点如下：数据量大、含混度高、地面样本数据少、数据冗余度高、信噪较低等。因此，在遥感图像分类研究中，借助机器学习方法从海量数据集中找到有用信息是一个重要研究方向。流形学习作为机器学习中的一种，在发现复杂数据集的内在结构有很大优势，已有国内外学者将流形学习法应用于遥感影像分类。在城市空间扩展模拟中，如何准确地从遥感影像中提取出城市、河流、耕地等信息直接关系到最后的模拟效果。因此，本文不仅要提高遥感影像分类精度，而且要将从分类结果图中提取出的部分数据信息应用到城市空间扩展模拟。　　 本文主要从以下两方面进行研究：首先是在基于半监督流形学习的多光谱数据特征提取方法方面进行研究；其次将从分类结果中提出的信息应用到城市扩展模拟与预测研究。本文首先对目前的特征提取算法进行总结分析，由于遥感图像分类过程中有类别标签的样本数较少、无类别标签样本数较多，同时有类别标签样本获取代价又比较大的问题，这些严重影响到分类精度的提高。因此，本文在有效融合半监督学习和流形学习方法的基础上，提出一种基于半监督流形学习的多光谱遥感数据土地利用分类算法--半监督流形鉴别嵌入。该方法将先验知识提供的标注信息融入到半监督流形学习中，对投影后的多光谱数据进行训练来发现数据内部的变化规律。该算法首先通过标注数据的类别信息构造相似图和相异图来衡量数据点的相似性与相异性，根据相似图和相异图计算数据样本的权重矩阵；其次融合所有训练数据(包括标注数据和无标注数据)的分布情况构造总体散布矩阵，从而更好地表示训练样本的整体结构信息；最后，在对目标函数进行优化的基础上，计算得到嵌入矩阵，寻求实现特征空间中保持不同类别数据的整体结构，使得不同的类尽可能的分开相同类尽可能的聚拢。本文提出的算法通过有区别的对待标注数据与无标注数据信息很好地实现了半监督学习，并在合成数据集和多光谱实际数据集上进行系统的实验，实验结果表明：提高了多光谱图像分类精度；有效地节约了标注训练样本类别成本。　　 从遥感影像分类结果中提取出城市区域、河流、道路等信息，并将这些信息应用到城市扩展模拟与预测。本文对城市模拟的数学模型进行了总结分析，选取城市化速度较快和环境压力突出的重庆市主城部分区域为研究对象，运用细胞自动机中的SLEUTH模型对选择区域的城区扩展进行模拟与预测。收集高程数据、县界行政区划等研究需要的数据源结合分类图中提取的信息数据，应用遥感技术和地理空间技术对数据进行处理作为模型输入数据图层。首先对SLEUTH模型进行校正获取适合研究区的最佳参数组合，进而对研究区1988-2007年间的城区扩展进行历史重构，并对该区域未来10年城区扩展情况进行预测。最后，针对模拟预测结果进行分析提出合理化的建议和措施。