随着遥感技术的发展,遥感数据的体量、种类、复杂度急速增长,遥感大数据蓄势待发。遥感影像分类是遥感信息提取的重要环节,随机森林以其分类精度高、并行能力强等优点被广泛应用于遥感影像分类。遥感数据量和复杂度的增加,使得要想获得较高的分类精度,需要训练足够多的决策树进行集成,但是决策树数量的增加需要占用更多的计算资源,降低分类效率。研究表明,通过集成剪枝,即选择部分基分类器进行集成,可以在不影响分类精度的前提下缩减集成规模,提高分类效率。为了提高随机森林及其在遥感影像分类中的精度和速度,本文的研究内容和成果如下:（1）针对集成剪枝算法仅考虑了行为多样性而忽略了结构多样性的问题,提出了一种基于决策树结构的多样性度量方法（DTSM）。其主要思想是将决策树相似性与图论中的树匹配、模式识别中的序列相似性以及子结构挖掘方法相结合,基于结点信息,通过简单树匹配算法获得最大匹配子树,并结合路径信息,将决策树的相似性转换为匹配序列的相似性,通过序列子结构的比较衡量决策树的相似程度。（2）结合多样性度量和准确性度量,提出了随机森林剪枝算法（PRF）。其主要思想是使用DTSM计算两两决策树的相似度,并基于设定的相似度阈值和决策树的袋外误差选择部分决策树进行集成。实验结果表明,PRF算法能够在不降低分类精度的前提下剔除40%以上的决策树,从而很大程度上提高了分类效率。（3）为了在缩减集成规模的同时获得更高的分类精度,同时避免PRF算法参数设置的主观性,提出了基于改进粒子群算法（IPSO）的随机森林剪枝算法（IPSO-PRF）。其主要思想是在IPSO算法中引入线性惯性权重和邻域因子,对PRF算法的两个关键参数:随机属性数量和相似度阈值进行优化,然后使用最优参数组合进行随机森林剪枝。实验表明,IPSO算法能够提高局部搜索能力和收敛速度,IPSO-PRF算法能够以最优的参数组合实现最高的分类精度。（4）将提出的PRF和IPSO-PRF算法应用于遥感影像分类,开展厦门市土地覆被分类问题的应用研究。以Landsat8和DEM数据为数据源,在提取光谱、地形和纹理特征后,使用IPSO-PRF算法进行基于像元的土地覆被分类,结果表明,IPSO-PRF算法减少了决策树的数量,提高了分类的总体精度和速度。