遥感图像分类是遥感应用领域中的关键技术之一,快速、高效、高精度的遥感图像分类算法是解决各种实际问题应用的前提。遥感图像分类算法一直被众多学者所重视,因此大量遥感图像分类算法不断地涌现出,遥感图像自动分类算法的精度和效率也不断的提高。本论文围绕遥感图像分类这一主线,同时结合时下应用比较广泛的智能优化算法,试图找到智能优化算法在遥感图像分类的应用契合点。根据当前遥感图像分类和当前流行的智能优化算法的研究现状和发展趋势,以基于遥感图像像元分析的非监督分类方法为出发点、提高遥感图像分类精度为目的,提出了一种基于遗传粒子群优化算法(PSO-GA-K-Means)的遥感图像分类的新方法。该方法以非监督分类中的K-Means算法为基础,同时结合遗传算法中的变异思想与粒子群优化算法。在此基础上进行遥感图像的分类实验。本文研究内容及结果如下几个方面：一、构建了一种引入遗传算法变异思想的改进粒子群算法。对于粒子群算法在优化搜索过程中容易陷入局部极值而产生早熟收敛的问题,因此本论文中在粒子群算法中引入了遗传算法中的变异操作,有效的解决了粒子因早熟收敛而产生聚集现象,使得粒子的活力和局部搜索性能得到增强。同时惯性权重采用动态线性递减权重,从而使算法能够较好的向全局最优解的位置收敛,算法的计算效率也得到改善。二、运用遗传粒子群优化算法和K-Means算法进行遥感图像分类算法。在K-Means聚类算法对遥感图像进行分类时,初始聚类中心的随机选择对分类结果精度影响较大,因此初始聚类中心有效选择作为本文算法的切入点,将引入变异操作的改进粒子群算法对初始聚类中心进行优化,以便找出最优聚类中心。避免了初始聚类中心由于随机选择而影响遥感图像分类结果的精度。三、针对本文提出的PSO-GA-K-Means算法,对其性能分析比较并进行遥感分类应用选择了TM多光谱遥感图像作为实验数据,研究区域选择了北京市奥林匹克公园区域。同时,分别使用了标准PSO、PSO-K-Means、K-Means和本文提出的PSO-GA-K-Means算法进行了分类比较。对PSO、PSO-K-Means、和PSO-GA-K-Means三个算法进行了收敛性分析并加以讨论,分析得出PSO-GA-K-Means算法的收敛性优于其它算法。同时运用误差矩阵和Kappa系数对四种分类算法的结果精度进行评价。实验表明本文提出了遗传粒子群优化算法分类总体精度达到了83.28%,优于K-Means算法的67.4%。在此基础上,最后运用此算法对北京市奥林匹克公园区域近20年的土地变化进行了分析。论文的创新之处主要是在粒子群算法中引入了变异操作,有效的提高了粒子群算法的搜索性能,从而避免了容易陷入局部极值的问题。同时对样本的初始聚类中心进行优化,克服了传统K-Means算法对初始聚类中心随机选择的缺点,实现了对遥感图像了分类,并且达到了较高的分类精度。