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,具有十分重要的意义。神经网络技术的发展为解决这一问题提供了新的方法,神经网络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网络模型)。本次研究将反向传播神经网络方法用于遥感图像分类,在对BP算法分析的基础上,为了增加BP神经网络收敛的可能性,提高收敛的速度,本次研究设置动态学习率,动态Sigmoid函数的K值和增加动量项等有实践意义的方法,但是本文没有局限在算法的研究上,而是利用Visual Basic开发了相应的软件,同时有开创性利用IDL/ENVI开发了相应的ENVI插件程序,在用IDL对ENVI功能拓展的二次开发上探索了一条有实践意义的途径。以北京市首都机场附近地区遥感图像为例,通过对最大似然分类法和基于BP神经网络的分类方法进行比较,可以发现:基于BP神经网络的分类方法可以很好的区分一些在最大似然分类法中难以区分的地物类别,从而提高遥感图像分类的精度,取得较满意的结果。另外还构造了一个用于混合像元分类的神经网络,输出层节点为各典型地物类别所占的百分比,在遥感图像分类与混合像元分解一体化研究上探索了一条有实践意义的途径。另外,在本次分类研究中,优化了很多细节,包括最佳波段组合,训练数据集合的提取等,这样把分类流程作为一个整体来考虑,而不是孤立的重视具体的方法模型和研究思路,为分类的精度提供有力的保证。