随着遥感影像分类的应用越来越广泛，计算机自动分类的方法就显得越来越重要。传统的遥感图像分类方法，一般是利用遥感图像的统计特征值或训练区样本数据之间的统计关系进行模式识别的。地表是复杂的，遥感图像上存在“同谱异物”或者“同物异谱”等现象。近年来，随着人工神经网络理论的发展，神经网络技术日益成为遥感图像分类处理的一个重要手段，神经网络分类法为解决传统遥感图像分类的不足提供了可能。BP神经网络分类法是一种有效的土地覆盖分类方法，与传统方法相比，有更好的自学习和自适应能力，能够达到提高分类精度的目的。　　 本文首先分析了国内外遥感图像分类研究的最新进展，采用2009年8月的达里诺尔自然保护区的LandsatTM影像数据和2009年8月的IRS-P5影像作为数据源，采用ENVI和Matlab作为平台，在基于原始波段、主成分分析和小波变换的基础上，采用BP神经网络对遥感进行分类研究。通过对训练样本构建方法、训练算法的选择、最佳隐含层神经元个数的确定等方面，对BP神经网络分类过程进行了系统的研究，确定了适合本研究的最佳参数。与传统的统计模式识别方法(监督分类和非监督分类)的分类结果进行精度比较分析。　　 研究表明，基于小波变换的BP神经网络分类的总体精度为86.74％，Kappa系数为0.8407。人工神经网络分类精度要比传统的监督分类和非监督分类的效果要好，基于小波变换的BP神经网络分类比基于原始波段和主成分分析的BP神经网络分类精度都要高。在分类精度差别不大的情况下，应用主成分变换或小波变换能使网络的收敛更加迅速、仿真速度有所加快。　　 试验结果表明本次采用的基于小波变换的BP神经网络方法在达里诺尔自然保护区进行遥感影像分类是可行的。