随着遥感技术的发展,遥感影像数据越来越丰富,遥感影像的应用场景也日益多样化,对遥感影像分类提出了更高的挑战。在现有的遥感影像分类方法中,最重要的就是人工神经网络（Artificial neural networks,ANN）和支持向量机（Support Vector Machine,SVM）方法。虽然ANN在许多应用中取得了突出的成就,但其庞大的网络带来了训练难、应用难等问题;因此SVM在许多实际问题中仍然具有不可替代的地位。但支持向量机方法存在核参数选择的问题。针对现有进化算法随机性强、优化精度不够高等问题,论文使用Delaunay三角剖分方法创建对象,提出了一种新的基于上限置信区间（Upper Confidence Bound,UCB）策略的SVM参数全局优化方法。该策略最初在研究多臂赌博机问题中被提出,意义简洁明朗,且拥有稳固的数学基础。能够综合利用之前循环中所获取的全部信息,兼顾适应度及探索潜力大小进行后续决策,并在探索-利用（Exploration-Exploitation）之间取得平衡,非常适用于参数优化。为对所提出的UCB全局优化算法的优化能力进行测试,论文设计了包含6个UCI（University of California,Irvine）标准数据集的分类实验及雄安新区高光谱影像分类实验两个实验;并与Matlab、ENVI平台上默认参数的SVM,及5种知名优化算法——自适应惯性权重粒子群算法（Adaptive Inertia Weight Particle Swarm Optimization Algorithm,AIW-PSO）、修正速率的人工蜂群算法（Modification Rate Artificial Bee Colony Algorithm,MR-ABC）、遗传算法（Genetic Algorithm,GA）、文化基因算法（Memetic Algorithm,MA）和蝴蝶算法（Butterfly Optimization Algorithm,BOA）优化的SVM进行了对比。其中在UCI数据集分类实验中,对各算法进行了 30次重复运行,以便对其平均精度、优化稳定性等指标进行统计。论文主要结论如下:（1）选择合适的核参数对SVM分类至关重要。相比原始的SVM,经不同算法优化的SVM的分类精度均有显著提高,平均精度提高可达35.70%;（2）现有进化算法普遍存在较强的随机性,优化结果的不确定性很高。各种进化算法结果的标准差均高于4,许多算法优化结果的精度变化幅度可高达50%～70%;（3）UCB算法的优化稳定性远超进化算法,其结果的精度变化幅度多在5%以内,平均标准差仅为1.30;平均精度也优于进化算法,平均领先其他算法精度3.85%。且其相对其他算法的领先程度与数据集SVM参数寻优难度呈正相关,具有智能性和稳定性的特点;（4）SVM参数优化精度在迅速上升后会基本保持不变,不会陷入严重的过拟合。