生态遥感是遥感技术的重要研究方向之一，植物群落是生态系统的重要组成部分，它对生态管理、生态安全起到至关重要的作用，植物群落结构和分布特征对经济、环境等方面具有重要的指导意义。其中植物群落分类是生态可持续发展研究领域的一个关键环节，诸多学者致力于该方向的研究，研究方式由传统的人工实地调查方法不断向现代的遥感影像辅助调查发展。传统的植物群落调查方法主要基于野外样地调查和抽样统计，对于地形复杂的区域难以做到对数据的全面调查。充分利用遥感影像大面积快速获取地面信息的优势，将遥感技术应用于植物群落调查中，可实现数据的全面获取。但遥感信息的增加，数据量增大，用传统的分类方法很难实现对植物群落的快速分类。因此，有必要将应用统计学、图像学、空间信息科学等多学科理论知识交叉，结合地理信息系统(GIS)、遥感(RS)等技术手段，利用人工智能、机器学习等算法优化对植物群落做深入调查研究，以期得到更加高效率、高质量的结果。　　本文以高分辨率P1éiades影像为数据源，以深圳市生态控制线内东部地区植物群落作为研究对象，在深圳市植物群落野外样地调查的基础上，结合影像的光谱信息、植被指数、纹理信息及地形信息，综合运用地理信息系统、遥感、神经网络、投影寻踪、面向对象、影像分割等多项知识，从多角度探讨了遥感植物群落分类方法的相关问题，包括分类过程中特征要素的提取、方法的确定、研究对象层次的变化、分类精度评价等，并与经典监督分类方法的结果进行比较并在深圳市进行实地验证，获得了较为满意的结果。这不仅从理论方向上验证了投影寻踪学习网络算法应用于植物群落分类研究的可行性，而且从实验的角度进行分析，结果满足深圳市重点项目基本生态控制线专项调查的要求。　　本文主要有下述结论和创新性的研究成果:　　(1)总结了植物群落分类调查的几种方法，讨论了目前植物群落调查研究存在问题（如人工调查为主使调查区域受限且耗时耗力、用低分辨率遥感影像受分辨率影响结果不尽人意）;依据国内外研究现状，分析了植物群落调查由人工调查向应用技术实现自动化转变的发展趋势;重点研究了应用高分辨率卫星影像，将投影寻踪算法用于植物群落分类，以及投影指标的建立和优化选择。　　(2)将投影寻踪算法与神经网络结合应用于植物群落分类　　传统的分类方法应用于植物群落分类时，单纯依靠光谱信息会造成分类精度降低。而高空间分辨率影像具有较好的纹理特征，将其作为辅助特征加入有助于提高分类精度。但是加入多类辅助信息进行分类研究必然产生数据量增加、维度升高以及数据冗余等多类问题。　　对于高空间分辨率影像的高维数据数量级快速增长问题，研究中利用学习网络将全局优化和局部优化结合，利用训练节点形成网络的方法快速使投影方向收敛至最优解且可以自动消除数据中的冗余，将其用于区域范围内光谱相似性接近的植物群落分类中，在分类精度上得到一定的优化。　　(3)分割算法和投影寻踪算法结合建立面向对象的植物群落分类机制。　　传统的基于像元的遥感分类方法研究大多数是基于遥感影像光谱信息丰富，地物间光谱差异较为明显的特点进行的。对于高空间分辨率遥感影像，地物之间的细节信息更加明显，基于像元的分类结果常常出现椒盐噪声，不利于进行空间分析。由于植物群落光谱特征相似，需加入多类特征辅助研究，而利用影像的多特征参与分类研究，基于像元的植物群落分类研究应用于大面积区域时会对算法的运算速度提出更高的要求。　　研究中将投影寻踪学习网络算法与分割算法结合，探讨建立分割-投影寻踪学习网络算法的面向对象的分类机制，将其应用于光谱极为相似的植物群落分类研究。提出应用图像分割技术分割区域影像后再分类的面向对象分类策略，基于图的图像分割算法根据影像光谱信息和形状特征将影像先分割，形成分类的所需的图斑对象，再利用投影寻踪学习网络算法进行面向对象的分类。这不仅可以在流程、计算量方面得到优化，克服图像噪声的影响，同时分类精度也不会受到影响，甚至在某种程度上得到了提高。