遥感影像分类一直是遥感科学领域内的一大研究热点,随着遥感影像分辨率的不断提升,单一特征信息已不足以表达影像中丰富的内容和细节信息,难以取得理想的分类精度。信息融合能够将图像不同角度的特征描述信息进行综合以得到相对全面的图像描述,从而提高分类精度。针对现有的融合方法大多只在信息融合的某一个层次进行,未能充分利用不同融合层次之间的互补信息,本文提出了一种兼顾特征级和决策级融合的遥感影像分类方法。首先提取图像的多种互补特征信息,然后将每种特征单独对图像进行分类得到的结果以Dezert-Smarandache理论(DSmT)推理的方式在决策级进行融合,获得决策级融合下的分类结果;同时将多种特征串行连接实现特征级融合并进行分类,得到特征级融合下的分类结果。最后将特征级和决策级的分类结果进行自适应地再次融合完成分类。在决策级融合中,为解决DSmT推理过程中基本信度赋值构造困难的问题,提出一种利用训练样本构造后验概率矩阵来完成基本信度赋值的方法。在21类遥感数据集上的分类实验表明,本文提出的兼顾特征级和决策级融合的分类方法在充分综合不同特征描述信息的同时,还能够对不同融合层次的互补信息加以综合,从而提高分类精度。除上述工作之外,本文在973课题“高分辨率遥感数据精处理和空间信息智能转化的理论与方法”的支持下,开发了高分辨率遥感影像目标特征库(ELUOFDB),该特征库能够有效地对遥感影像原始数据和特征数据进行管理,为基础测绘、灾害应急响应等重大应用提供服务。对目标特征库中的五类典型地物的相关分类实验也表明本文提出的兼顾特征级和决策级融合方法能够有效地对特征信息加以综合利用,提升分类精度。