1 基于传统统计的遥感分类法
该分类法是目前应用较多，算法较为成熟的分类方法。根据分类前是否需要提供已知类别及其训练样本，可将分类方法分为两大类：监督分类（Supervised classification）和非监督分类（Un-supervised classification）。
1.1 监督分类
监督分类是在已知类别的图像样本区内提取各类别的特征属性，依据各类别的特征确定判别函数或判别规则，把图像中的各个像元点划分到各个给定类别中的分类方法。常用的监督分类方法有最小距离分类法和最大似然法。
监督分类可根据应用目标和区域，有选择地决定分类类别，可控制样本的选择，避免了非监督分类中对光谱集群组的重新归类。但其人为主观因素较强，分析者所选择的训练样本也可能并不代表图像上的真实情形；由于图像中同一类别的光谱差异和人为因素，有可能造成样本没有代表性；同时，训练样本的选取和评估需要花费较多的人力和时间。
1.2 非监督分类
非监督分类也称为聚类分析，前提是假定遥感影像上同类地物在同样条件下具有相同的光谱信息特征，是在多光谱图像中搜索定义其自然相似光谱集群组的过程，该过程不需要任何的先验知识，仅凭遥感影像地物光谱特征的分布规律，随其自然地进行分类。常用的非监督分类方法有 K均值算法和 ISODATA法。与监督分类相比，非监督分类不需要预先对所要分类的区域有广泛的了解和熟悉，人为误差的机会减少，产生的类别更均质，独特的、覆盖量小的类别均能被识别。但其产生的光谱集群组不一定对应于分析者想要的类别，且分析者较难对产生的类别进行控制，图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使不同图像之间的对比变得困难。
2 基于新算法的分类技术
2.1 神经网络分类法
该方法利用计算机模拟人类学习的过程，使得分类趋于人脑化和自动化，也使得遥感图像分类更趋于人类的思维。神经网络分类，可以在一定程度上消除传统遥感分类所带来的模糊性和不确定性。神经网络方法一是用于遥感图像目标地物特征抽取与选择，二是用于学习训练及分类器设计。近年来，不同学者分别提出应用 BP网络、Hopfield 网络（用于优化）、Kohonen 网络（用于非监督分类）、径向基函数神经网络和小波神经网络。神经网络分类法是属于严格“非参”的，不需要任何关于统一分布的先验知识，但其分类精度依赖于网络训练样本的选取和网络的拓扑结构。同时，网络拓扑结构的选择还缺乏充分的理论分析，这在一定程度上也限制了神经网络的发展。
2.2 模糊分类法
模糊分类的关键是确定像元的隶属度函数。它是一种典型的“软”分类器。目前，模糊分类器主要包括以模糊集合理论为基础的模糊统计分类，神经计算技术为基础的人工神经网络模糊分类，基于知识的模糊分类等分类方法。
关于模糊分类这方面的研究实例还不多，还有一系列问题有待于进一步探讨，但其进行遥感图像处理是完全可能的，且具有广阔的应用前景。
2.3 专家系统分类法
专家系统就是把某一特定领域的专家知识输入到计算机中，辅助人们解决问题的系统。遥感图像解译专家系统就是利用解译专家的经验和方法进行解译。专家的经验和知识以某种形式形成知识库。该分类方法在分类时需要建立复杂的知识库。
2.4 支持向量机 SVM 分类法
支持向量机是在统计学习理论的 VC 维理论和结构风险最小化原理基础上发展起来的一种新的模式识别方法，它能够较好地解决小样本学习、非线性及高维模式识别。许多实验证明，SVM的分类精度都较高，它是分类中的一个新方法。但由于统计学习理论从发展到比较完善和被广泛重视到现在才只有几年的时间，其中从理论到应用都还有很多尚未解决或尚未充分解决的问题，如 VC 维一般情况下如何计算和估计尚没有解决。
2.5 面向对象的分类方法
该方法是基于影像区域对象的智能信息获取过程，区域对象是由影像分割生成的同质的相邻像元集合体。影像的最小单元不再是单个的像元，而是一个个由同质像元组成的多边形对象，后续的影像分析和处理也都基于对象进行。目前，全球第一个面向对象的影像分析软件ecognition（易康）已在实际中得到应用。面向对象的分类法仅提供给我们一种分类思想（模型），在分类时需要结合其他具体的分类算法来完成分类。
2.6 决策树分类法
决策树的关键是定义决策树的各个分支。决 策树由一个根结点、一系列内部结点及终极结点组成。在实际中，决策树的定义是由下往上的过程，在预先已知“终极”类别样本数据的情况下，根据各类别的相似程度逐级往上聚类，每一级聚类形成一个树结点，在该结点处选择对其往下细分的有效特征，依此往上发展到“原级”。此分类方法属于非参数分类器。该方法简单、易于理解，不要求研究人员必须具有深厚的专业知识。
3 分类中辅助处理技术与思想
3.1 变换技术
遥感图像中常用的变换技术包括：K- L 变换，独六分量分析 ICA变换，K- T变换（穗帽变换），阿达马变换，比值变换等。
3.2 小波分析技术
小波分析是一种时间—尺度分析方法。它将图像进行多分辨率分解，分解成不同空间、不同频率的子图像，然后再对子图像进行系数编码。离散小波分析在遥感领域被成功应用于图像压缩、纹理分析、特征提取、多源数据融合等。..............
参考文献：
［1］ Baatz M，Schape A. http://www.1daixie.com/dxjsjlw/ Object- Oriented and Multi- Scale ImageAnalysis in Semantic Networks[J]. Proc of the 2nd InternationalSymposium on Operationalization of Remote Sensing，nschedeITC，1999，8：16- 20.
［2］ 汤国安，张友顺，刘咏梅，等. 遥感数字图像处理[M]. 北京：科学出版社，2004.
［3］ 张宝光. 论遥感数字图像的模糊分类处理 [J]. 天津师范大学学报(自然科学版)，2005，6（2）：69- 71.
［4］ 惠文华. 基于支持向量机的遥感图像分类方法 [J]. 地球科学与环境学报，2006，6（2）：93- 95.
［5］ 曾志远. 卫星遥感图像计算机分类与地学应用研究[M]. 北京：科学出版社，2004.
［6］ 秦其明，陆荣建. 分形与神经网络方法在卫星数字图像分类中的应用[J]. 北京大学学报（自然科学版），2000，36（6）：855- 864.