本文研究了基于光谱和纹理特征融合的遥感图像目标分类算法。分别运用DS证据理论和相似度模糊推理算法实现了遥感图像的分类。基于DS证据理论的遥感图像分类算法,首先提取图像的光谱特征和纹理特征,并对两种特征进行融合和概率分配。然后基于DS理论的证据组合,对四通道的概率进行融合。最后是基于概率最大值进行分类,并对分类结果进行评价。对融合前后的图像进行分类实验中,对于三类实际遥感图,融合前的分类准确度为0.941,融合后的分类准确度为0.959,对于五类实际遥感图,融合之前的分类准确度为0.765,融合之后的分类准确度为0.812。采用九种融合方法对图像处理后进行分类,总体精度均大于融合之前的图像。基于相似度模糊推理的分类方法,首先提取图像的光谱特征和纹理特征,并对两种特征进行融合;然后是对输入数据的模糊化;接着是针对四通道的融合,在融合过程中,通过求相似度权系数方法来实现加权平均;最后实现模糊分类,并对分类结果做出评价。在对融合前后的图像进行分类实验中,对于三类实际遥感图,融合之前的分类准确度为0.964,融合之后的分类准确度为0.994,对于五类实际遥感图,融合之前的分类准确度为0.922,融合之后的分类准确度为0.939。采用九种融合方法对图像处理后进行分类,总体精度均大于融合之前的图像。实验结果表明:采取光谱和纹理特征相结合的方法,利用这两种特征的信息互补进行分类,减少了漏分错分的现象,精度比单纯使用光谱特征得到了提高。能够有效的提高分类精确。利用融合算法对图像进行融合后再分类,能够有效的提高分类的精确度。这说明,将待分类遥感图像进行融合之后,对于提高分类的准确度起到重要作用。