随着遥感技术的发展，遥感已逐步成为采集地球数据及其变化信息的重要技术手段和重要的信息来源，并在世界范围内以及我国的许多政府部门、科研单位和公司得到广泛的应用。由于不同领域遥感图像的应用对遥感图像处理提出了不同的要求，所以图像处理中重要的环节#8212;#8212;图像分类也就显得尤为重要。遥感影像分类是遥感图像处理的高级阶段，是对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，把具有相同属性的地物划分为同一类，以达到识别图像信息所对应的实际地物，提取所需地物信息的目的。

随着卫星遥感和航空遥感图像分辨率的不断提高,人们可以从遥感图像中获得更多有用的数据和信息。经过多年的努力,形成了许多分类方法和算法。

传统的遥感影像的分类方法按照是否有先验类别可以分为监督分类和非监督分类, 这两种分类法有着本质的区别但也存在一定的联系。

赵春霞，钱乐祥[5]从分类原理、分类过程、分类方法等不同角度分析了这两种方法的区别与联系, 并展望了遥感影像分类的发展趋势与发展前景。

李石华，王金亮[7]等综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。

孟海东，郝永宽[3],等具体分析了几种常用的非监督计算机遥感图像分类方法，为了提高图像的非监督分类效果，提出了一种基于密度和自适应密度可达聚类算法，实验分析表明，与常用的分类方法相比，该算法具有良好的分类效果。ISODATA 算法是遥感影像非监督分类的典型算法之一。

杨燕, 曾学宏,汪生燕[15]通过对 ISODATA 算法和影像增强算法的阐述，分析了影像增强算法与非监督分类结合的方式和局限性。并通过实验分析了常用影像增强算法对非监督分类结果的影响，科学合理的选择适当的影像增强算法来提高非监督分类的可靠性。

杨诺尔[13]基于ERDAS的Knowledge Engineer分类方法原理，提出一种多信息源、智能化、程序化的阂值分类技术，利用空间模型语言SML(Spatial Modeler Language)编程实现遥感影像的分类，进而克服了传统分类方法只能针衬单一信息源的局限。

植被是遥感技术重要的研究对象，许多专家针对植被研究各种方法：

滕全晓，徐天蜀[9]以云南省宜良县 ALOS 影像为基础数据，利用最大似然法、支持向量机方法和面向对象的支持向量机方法对 ALOS 影像进行植被分类研究，并通过定性和定量的方法对分类效果进行比较，探讨ALOS 影像较好的分类方法并为中高分辨率影像分类提供参考。