近年来,对地观测技术不断发展,遥感卫星数据的空间分辨率提高到亚米级,光谱分辨率提高到5纳米。遥感技术的快速发展极大地促进了遥感数据的应用。与此同时,对遥感数据处理方法的需求也在不断的提高,更高级的数据需要更先进的技术方法。在此背景下,一些学者提出了一些新的算法,如支持向量机、神经网络等等。但是,大部分研究的方向都集中在监督分类算法上。但对于监督遥感分类算法,其精度受到带有类别标记的训练数据集的影响。往往选择一个能够很好代表研究区域的训练数据集要花费很大的人力物力,而且不同的实验者选择的训练集不同,分类算法的最终分类精度也不相同,甚至可能差异很大。非监督分类算法则不需要带有类别标记的训练样本,在充分利用遥感数据的同时避免了人为因素的印象。本文对非监督分类进行了研究,取得了以下成果:(1)研究了不同的非监督遥感分类算法。实验表明,传统的非监督分类算法,如ISODATA及K-means分类精度处于80%左右。而对于神经网络中的自组织映射(SOM)算法,由于SOM优秀的不同维度空间的拓扑排序映射能力,其分类精度相对于传统非监督分类算法有了明显提高,分类精度达到85%以上。(2)针对基于像素的SOM算法,提出了使用特征提取来优化SOM,进而提高分类精度以及分类效率。针对像素的SOM算法在分类结果中不可避免的产生了椒盐噪声,而特征提取方法可以考虑一个像素周围的像素的影响,考虑了地物的纹理信息。基于自组织映射和特征提取的算法流程的分类精度达到了94%。为了进一步验证本文提出的算法的分类精度和效率,本文设置了一些其他的对比算法,即:BP神经网络,支持向量机、ISODATA、K-means以及基于像素的SOM算法。实验表明本文提出的算法分类精度高于对比算法,同时分类所用时间也少于当前流行的监督分类算法。一旦该流程建立成功,其可以对同一类型的遥感数据的不同地区进行分类,以达到快速分类的目的。