遥感影像分类方法的研究一直是遥感研究领域里的一项重要内容。当研究区较大、土地覆盖类型较为复杂时,现有的遥感分类方法往往难以获得较高的分类精度,而人工智能方法与技术在处理复杂问题时具有较为明显的优势。因此,有必要引进人工智能方法来提高遥感分类精度。蚁群算法作为一种新型智能优化算法,已经成功应用于遥感影像分类中,为遥感影像分类提供了更广阔的思路。本文在对现有蚁群算法进行分析的基础上,针对收敛慢、计算时间长等问题。提出了改进的蚁群规则挖掘算法,并应用于遥感数据分类,对1996-2006年长株潭城市群核心区的土地覆盖进行分类与变化分析,取得了以下主要成果：(1)蚁群算法(Ant-Miner)能够较好的发现最优解,具有较强的鲁棒性,但Ant-Miner算法也存在一些由于蚁群系统自身缺陷所造成的不足,如分类规则集的精简度较差、容易陷入局部最优解、计算时间较长等。基于Ant-Miner算法,提出了改进型Ant-Miner算法。首先,对规则有效性衡量公式进行改进,对公式未定义和定义不合理的地方进行完善；其次,从信息素浓度增加项,信息素挥发系数两方面,改进信息素浓度更新策略；最后,在算法求解中,引入变异算子,有效加快进化过程,缩短计算时间,获得较好的分类规则。(2)以长株潭城市群核心区1996-2006年TM影像为实验数据,在分类实验中对算法进行了验证。结果表明,相对于Ant-Miner和决策树方法而言,改进型Ant-Miner算法能挖掘出数目更少、形式更简单的分类规则,同时缩短计算时间,提高分类效率；改进型Ant-Miner算法的分类结果总体精度都能达到85%以上,Kappa系数都在0.81以上,相对于Ant-Miner算法、决策树法和极大似然法,分类精度都有明显提高。(3)采用改进的蚁群算法,对长株潭城市群核心区域土地覆盖进行遥感分类,并进行了变化过程分析。结果表明：研究区在1996年到2006年期间,以长沙、株洲和湘潭三市市区周围土地覆盖变化最为明显,建设用地保持着较高的增长状态,土地覆盖动态变化明显；林地、耕地和水域面积变化不大,动态程度弱稳定性高,总体呈现衰减状态,林地和耕地是建设用地和裸地新增部分的主要来源；裸地面积波动较大,转移和新增均较快,土地利用动态变化最为强烈,稳定性最小,开发利用程度最高。