基于土地利用/覆盖信息提取的快速、自动化和高精度的现实需求,遥感影像计算机自动分类研究成为提高遥感应用性的一个重要方向。多分类器组合利用不同方法进行目标识别时得到的互补信息来提高分类性能,为提高遥感分类精度提供了新的途径。因此,进行多分类器组合研究,探讨其在遥感影像自动分类中的应用,具有重要的理论与实践意义。　　 本文对多分类器组合方法、基于分类器差异性度量的组合分类器优化进行研究,将其应用于土地利用/覆盖遥感分类。主要研究成果如下:　　 (1)基于多分类器组合的遥感分类方法　　 针对投票法分类器组合中加权值的选择问题,提出了基于先验知识的投票法组合分类方法。首先对子分类器做分类性能测试,得到各类别的用户精度；然后将其作为加权值,使用相对多数投票法对子分类器输出结果进行组合决策,将具有最大投票值的类别赋予待分像元。　　 结果表明,以最大似然法、神经网络法和支持向量机法作为子分类器进行多分类器组合遥感分类时,分类器两两组合分类结果的总体精度较子分类器均有提高。三种分类器参与组合分类时,组合分类总体精度高于子分类器的最低精度,但不一定高于子分类器的最高精度。组合方法在不同景观特征地区的遥感分类中具有相同的性能特征。　　 组合分类结果受训练样本分布的影响取决于子分类器的稳定性。当子分类器均受训练样本分布影响较小,组合结果也具有较好的稳定性。研究中,最大似然法和支持向量机法组合分类结果优于相应子分类器,组合结果受训练样本分布的影响较小。　　 (2)基于分类器差异性度量的组合分类器优化　　 针对分类器组合过程中的组合结构优化问题,引入熵值法分类器差异性度量来衡量组合分类器中子分类器之间的差异性关系,分析其与组合分类结果的关系,研究其在组合分类器优化中的可用性。　　 结果表明,熵值法分类器差异性度量值与组合分类的优势度(组合分类器Kappa值与子分类器中最大Kappa值之差)存在正相关关系,对分类器的组合性能有一定的预测能力。但由于方法与组合分类结果的相关关系还不够强,因此分类器差异性度量在分类器组合中的应用有待进一步研究。