遥感图像分类一直是遥感研究领域的重要内容,如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题。神经网络技术的发展为解决这一问题提供了新的方法,它具有学习能力和容错特性并且无须就概率模型作出假定,适用于空间模式识别的各种问题的处理,因此神经网络技术正在被越来越普遍的应用于遥感图像分类的研究。在神经网络的不同算法中,应用和研究最多的是反向传播人工神经网络模型(简称BP网络)和径向基网络(简称RBF网络),但它们都存在无法对其推理过程和推理依据进行解释的问题。就国内对BP和RBF网络进行遥感影像分类的研究情况来看,主要技术方向分为利用专业遥感软件所提供语言进行神经网络算法的二次开发和利用Matlab神经网络工具箱+专业遥感软件的方法,但这两种方法都存在其缺点,第一种方法对于人工神经网络初学者而言难以实现,不便于初学者对网络性能的学习和研究,第二种方法虽然降低了人们对人工神经网络的上手难度,但却给遥感数据的管理带来了不便。本文首先针对人工神经网络结果难以解释的问题,模拟其对遥感影像数据的分类过程,结合特征向量在特征空间中的可分离度,线性关系和概率密度人为构造了16组不同的模拟数据,对BP和RBF网络的输入输出特性进行了研究,分析了不同条件下的特征向量对两种网络分类性能的影响,并通过实验给出了两种网络和模糊推理能够共同使用的原因,为后续Matlab分类系统的构建提供了实验依据和特征选择的一般性原则；其次,针对国内学者对BP和RBF进行研究时所采用的主要技术路线及其缺点,在两种网络输入输出特性研究的基础上,仿照专业遥感软件的监督分类过程,利用Matlab平台结合人工神经网络工具箱,设计并实现了遥感影像监督分类中特征分量的计算,特征向量构成和多块、多边形训练区域选取,分类结果后处理和精度评估等多功能集成的遥感影像分类系统,整个系统程序编写的最大特点在于采用模块化思想,可以根据实际分类问题的需要,更换分类器类型,特征提取和精度评估等相应算法模块；最后,以TM影像及其光谱特征数据作为研究对象,利用本文所开发的分类系统对BP网络和RBF网络进行了分类实验,并从两种网络原始分类数据的概率密度分布情况入手,对网络分类效果进行了对比,从实践的角度证明了该分类系统的有效性。通过对原始分类结果的概率密度曲线分析,可以初步判定分类结果是否能够利用模糊推理处理后得到理想的分类结果,同时,结合概率密度曲线的分析结果,对网络期望值逼近程度和收敛程度进行了说明。