合理地保护和利用森林资源,对地球生态系统的稳定及可持续发展有重要意义,森林树种(组)的正确分类是其重要的基础和依据。高光谱遥感的兴起和发展为获取森林资源信息,对森林有序开发奠定了基础。国内外专家利用高光谱遥感数据以及不同的分类方法对森林类型进行识别,以求寻找更加高效、合理的方式及更精确的结果。本研究选用国产环境与灾害监测小卫星(HJ-1A)高光谱遥感数据,采用基于猫群智能优化(Cat Swarm Optimization, CSO)的算法,利用光谱信息对吉林汪清林业局经营区内森林类型进行识别。为达到此目的,系统地探讨了猫群算法及其改进算法在森林识别中的应用,建立一种通过搜索进行波段选择的高光谱降维模型和四种基于猫群算法的森林分类模型,并对猫群智能算法进行高光谱降维、聚类分辨森林类型、挖掘光谱信息规则进行优势树种(组)识别做了系统研究。首先,HJ-1A数据获取成本低,但提供数据时间不长,国内外将其应用于树种(组)识别的研究很少。挖掘HJ-1A高光谱遥感数据的森林应用潜力和森林精细识别的可能性有深远的实际意义。另外,遥感影像的选择、预处理方法、分类方法的不同都会对高光谱遥感影像分类结果有较大影响,探讨不同的选择可使分类结果仍有较大的改善空间,但也面临很多挑战。比如研究区地形复杂,空间异质性较高时,现有的分类方法获得的精度有所限制。不同的分类方法各有优劣、适用情况不同,分类结果也会大有不同。集成和改进现有的算法、寻求新算法成为高光谱影像分类的研究重点。本文围绕以上问题开展以下工作：第一,对研究区的HJ-1A遥感影像进行预处理,形成可以用于分类的基础数据；然后选取新兴的较优秀的猫群智能算法,在研究算法机理的基础上,充分借助信息技术,提出离散的二进制猫群算法(BCSO),建立波段搜索模型,自动搜索出可分性好的波段组合为后续更好地研究蒙古栎、白桦、落叶松、杨树、云杉等分类奠定基础；第二,提出基于猫群的聚类算法模型及半监督模糊C猫群算法(CSO-SMFC),对研究区的针叶林、阔叶林、混交林等森林类型进行分类并比较其结果；第三,在上述研究基础上,提出基本的猫群分类规则挖掘算法(CSO-Miner)和改进的猫群算法与支持向量机结合(ACSO-SVM)的两种方法,建立分类器,形成高光谱森林精细分类模型,对研究区内蒙古栎、白桦、落叶松、杨树、云杉等优势树种(组)识别,比较、验证并评价其分类结果。本文希望通过森林分类方法的探讨,对后续其他林业研究或应用提供参考和依据。研究结果表明：(1)在波段选择中,当控制子空间为3时,BCSO提取出的波段组合为21-43-109。(2)在对针叶林、阔叶林、混交林的森林类型识别中,基于基本猫群算法的聚类最优精度为83.5%,基于CSO-SMFC聚类模型的最优精度为85%。(3)森林精细识别中,基于CSO-Miner模型的监督算法最优总体分类精度为80.83%,Kappa系数为0.77；ACSO-SVM总体分类精度最高为84.16%,Kappa系数为0.81。结合研究区内信息,应用基于猫群优化算法的分类方法对汪清林区内HJ-1A的高光谱遥感数据进行分类,能较好地识别汪清林区的蒙古栎、白桦、落叶松、杨树、云杉等优势树种(组)。本文在高光谱森林遥感分类领域进行了探索性研究,将计算机智能算法与遥感技术结合,为森林类型识别提供了一种新思路。其研究成果可为基层森工企业的森林调查及国家林业规划提供理论指导和技术支持,对林业领域各方面的深入研究奠定基础,对我国林业发展具有一定的推动作用。