遥感影像分类一直是遥感研究领域里的一项重要内容，是提取有用信息实现目标识别的重要途径，遥感应用的基石。在海量数据日益增长的今天，如何有效将图像中的目标或其它有用信息从背景中提取出来，提高图像分类的效率和效力，尤其重要。另一方面由于遥感图像具有灰度级大、信息量多、边界模糊、目标结构复杂等特性，也使得遥感图像的精确分类相当困难，因此遥感影像分类方法的研究成为一个具有重要理论和实际应用价值的课题。　　 遥感数据源的增多，人们对遥感数据处理分析方法和手段也在不断的发展，新的分类方法和分类的思想都在不断的涌现。传统的遥感图像分类方法无论从精度还是手段上都已经跟不上时代的发展。论文根据近几十年国内外遥感影像分类方法的进展情况，深入分析了传统的遥感影像分类方法，探讨了不同分类方法的优缺点，比如需要先验知识，样本选取困难，迭代次数较多耗时较长等等。在此基础上，引入了人工智能领域的蚁群优化算法。　　 蚁群优化算法的提出最早用来解决旅行商问题，因为其自适应性，并行性，以及正反馈性，近年来逐渐被引入到遥感影像处理领域，并取得了一定成效，但是依然存在搜索时间长，重复迭代，计算模型复杂，容易陷入局部最优解等缺点。论文在前人研究的基础上对蚁群优化算法进行了更加深入的研究，创新性地引入了粗糙集理论，把利用改进粗糙熵进行数据离散化后的决策属性与蚁群优化算法的分类规则有机结合起来，用精确的理论解决模糊范畴，克服了蚁群优化算法在解决复杂系统时遇到的问题。另外，论文在路径探索模型中引入了蚂蚁的运动惯性向量，并对信息素的累加设定阈值，既解决了蚂蚁搜索时间长的弱点，又很好克服了蚁群算法收敛速度慢、容易陷入局部最优解的缺点。最后对不同分辨率的遥感影像进行了多组实验，通过实验对比了不同分类算法以及蚁群优化算法的分类效果，计算了不同分类方法的混淆矩阵，量化对比不同算法的分类精度，结果表明，与传统分类方法相比，基于改进粗糙熵的蚁群优化算法具有更高的分类精度。