海岸带作为海洋与陆地的交汇地带，其特殊的地理位置及丰富的自然资源使之成为人类开发和建设的重要地带。海岸线是海岸带的重要标志之一，科学且可靠的海岸线提取是海岸带可持续发展的前提。遥感技术的发展使其在海岸线提取测定上替代传统测量方法成为重要的手段之一。本文对遥感海岸线的提取技术进行研究，完成的工作主要有以下几点：　　1.叙述海岸带及海岸线的概念和意义、遥感海岸线提取的研究现状及发展趋势。针对海岸线提取是以遥感海岸带影像水陆分类为前提的情况，给出了基于分类误差矩阵的海岸线精度评价标准。在研究分析遥感图像分类原理的基础上给出了适应遥感图像模糊性特性的模糊C均值聚类(FCM)算法。针对FCM算法在遥感图像分类中存在非线性处理能力有限的问题，引入核函数转化低维空间中不可分的非线性模式为高维空间中可分的线性模式，分析研究了基于核函数的核模糊C均值聚类(KFCM)算法。　　2.针对模糊聚类算法易陷入局部极小值并且对初始值敏感的问题，引入蚁群算法至FCM算法和KFCM算法中。在研究蚁群算法原理的基础上给出基于蚁群算法优化的聚类中心选择算法。利用聚类中心选择算法确定模糊聚类算法的初始聚类中心以及聚类数目，再通过模糊聚类算法处理待分类图像，从而利用蚁群算法的全局性和鲁棒性克服模糊聚类算法易陷入局部极小值并且对初始值敏感的问题。根据基于改进蚁群算法优化的模糊聚类算法处理浙江舟山地区的遥感图像，通过实验结果的分析，得出基于传统模糊聚类算法分类的图像边缘比较模糊，并且该算法局部收敛不足的问题导致小像素块的散落分布较多，而引入蚁群算法的模糊聚类算法边缘相对清晰，而且小像素块散落分布的情况明显减少。通过分类误差矩阵定量分析实验结果，得到引入蚁群算法的模糊聚类算法在分类精度和分类效果上都优于传统模糊聚类算法。　　3.给出基于蚁群模糊聚类的遥感海岸线提取算法。该算法首先利用基于改进蚁群算法优化的模糊聚类算法分类浙江舟山地区的海岸带遥感图像，再结合人工目视解译与海岸线遥感解译标志提取分类结果图中的海岸线。针对部分曲折的海岸线及不必要的节点存在的情况，利用道格拉斯-普克算法对其进行修正。通过分析浙江舟山地区的遥感海岸线提取实验结果，表明本文算法能得到比较理想的海岸线提取精度，同时获取海岸带周边信息。　　4.对比基于本文算法与基于Canny边缘检测的黄河三角洲区域海岸线提取实验，得出Canny边缘检测算法只能提取出整体的海岸线，无法根据海岸线的解译标志分辨海岸线类型，因此仅适合于单一海岸线图像的检测提取；另外基岩海岸线和人工海岸线与水域相邻，因此两者的海岸边缘即可视为海岸线，而对于其他的海岸线类型，需要对比原始图像，同时参考遥感海岸线解译标志才能正确获取海岸线位置。本文提出的海岸线提取算法以分类结果图为基础，综合考虑了各类型海岸线的遥感解译标志，在获取准确的提取海岸线的同时还能得到海岸线周边地表信息，因而具有一定的实际参考意义。但是本文算法同样存在计算时间较长，演算步骤较Canny边缘检测算法复杂的问题。