以蚁群算法为代表的群智能方法在遥感信息提取方面的研究是一个新的方法。本文在总结当前分类方法的基础上,将蚁群算法分为基于觅食行为的蚁群优化算法和基于堆尸行为的蚁群聚类算法。通过建立遥感图像的蚁群算法分类模型,详细探讨蚁群群智能算法在遥感图像分类方面的应用。　　 参数的设置的对整个蚁群算法的结果起着至关重要的作用,论文详细讨论了蚁群算法的参数对其在遥感图像分类方面的影响,并总结了适合遥感图像分类的较优参数设置。对于蚁群算法的遥感图像分类,启发式函数的设置常采用欧武距离或绝对值距离表示,对波段分量的设置常采用经验值的方法,缺乏理论依据。本文采用相关性系数计算波段间的相关性,并以此作为波段重要程度的依据,对波段分量进行设置,优化了启发式函数。　　 针对蚁群优化算法收敛速度慢,而K均值算法对初始聚类中心依赖性强的不足,本文采用两种方法对蚁群优化算法进行分类:一是使用采集的训练样本进行初始聚类中心的设置,并与最小距离分类法进行比较,验证了蚁群算法的鲁棒性；二是采用K均值算法与蚁群算法结合的非监督分类方法,先使用K均值算法进行快速分类,而后使用K均值算法分类后的聚类中心进行蚁群算法聚类分类,结合了两种算法的优点。　　 实验结果表明,使用自相关系数后,蚁群优化算法分类结果得到了提高。使用蚁群算法与K均值算法结合之后,分类效率得到了提高。