在当今信息化的时代,随着网络和计算机技术的迅猛发展,信息量呈爆炸式增长,为满足人们的需求,避免海量数据处于一种无秩序的状态,对数据进行分类就成为一种必不可少的重要手段。模糊支持向量机方法作为一种有效的分类方法,可以解决很多如人工神经网络、决策树分类等传统分类方法中由于样本非线性、过多依赖先验知识以及样本量无穷大而导致的无法分类或者分类精度低等问题。在模糊支持向量机分类方法中,隶属度函数的确定是其最关键的研究对象。由于客观世界中存在大量的不确定性,容易导致类别边缘的样本无法正确分类,因此,如何更好地表达客观世界中事物和现象的不确定因素是目前自然科学领域研究的重点和热点。而近些年发展快速的云模型理论正是这样一种可以有效处理不确定性因素的专门针对定性的类别概念和定量的数据之间转换的模型。针对以上问题,本文利用云模型定性定量转换的独特原理以及模糊支持向量机非线性、抗噪能力等优点,将云模型与模糊支持向量机相结合,对模糊支持向量机的隶属度函数进行改进。由于遥感影像数据具有边界模糊性以及解译过程不确定性的特点,本文以遥感影像为实验数据,通过在遥感数据集中进行分类来验证改进算法的有效性并以此提高对遥感影像的分类精度。论文主要内容如下：(1)对本课题内容所要研究的历史背景、现阶段情况和现实意义进行了阐述,并分析了本课题的研究思路。(2)介绍了支持向量机的基础理论知识以及分类的原理,并重点讲解了多类支持向量机分类的方法。同时在模糊性集合理论的基础上对模糊支持向量机的分类方法作了重点介绍,并对其核心的隶属度函数算法进行了介绍。(3)首先对云模型的整体概况进行了描述,并对其定义和数字特征值等作了说明,总结了云理论模型的一系列特点,最终着重对云理论模型的发生器作了介绍。(4)以遥感卫星影像为实验数据,利用距离隶属度算法和模糊支持向量机理论构造次最优分类超平面,对于产生的混分和漏分样本使用改进云模型隶属度模糊支持向量机方法构造最优的分类超平面,以实现对遥感卫星影像的整合分类结果,并对其分类性能进行分析。(5)为了验证改进算法的分类情况,采用遥感航空影像数据集,并使用相同的实验方法进行分类以作对比,对分类性能进行分析后得出结论说明本文所提算法对遥感影像进行分类实验是可行的,特别地,对于遥感的卫星影像,其分类效果更加明显。