图像识别是对图像所蕴含的信息进行计算、分析，对其进行分类或从中提取有用的信息。它一般有五个步骤：图像数字化、图像预处理、图像分割、图像特征提取、图像识别。基于神经网络的图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新型图像识别技术，是在传统的图像识别方法的基础上融合神经网络算法的一种图像识别方法。 本文的研究工作涉及了图像分割、图像特征提取、图像识别三个环节，对这三个环节的某些技术进行了改进和创新；同时也涉及了神经网络的改进和创新，包括对单个网络、几个网络集成的改进和创新。具体如下： (1)在研究和总结了BP神经网络算法缺陷、梯度算法改进、智能算法改进的基础上，融合遗传算法、模拟退火法、BP梯度算法的优点，对BP神经网络算法进行改进。 (2)在图像边缘检测(属图像分割)环节中，针对实际图像边缘通常比较复杂，难以用数学方法精确描述的的问题，将改进算法后的BP神经网络用到图像边缘检测中，克服经典边缘检测算子适应性差的缺点。 (3)在图像特征提取的环节中，针对不同图像的矩特征容易接近的缺点，改变矩特征的提取过程，使之由原来直接对灰度图像提取，改为对突出边缘的图像进行提取。 (4)在图像识别的环节中，针对遥感图像中地物的识别，提出了融合光谱特征和纹理特征的神经网络图像识别。 (5)在神经网络分类器集成方面，研究分析了集成提高性能的原因，提出了“单类别分类器集成”、“单特征组分类器集成”两种分类器集成方法。 (6)在分类器集成体输出的组合算法方面，研究分析了分类器识别性能矩阵，提出了基于分类器输出向量的加权法。