高分辨率遥感技术的飞速发展,使得人类能够收集足够丰富和精细的地表观测信息,为地表精细分类提供了前所未有的机遇。然而,数据处理方法的滞后严重限制了高分辨率遥感影像的应用。由于高分辨率遥感影像时空特征变化复杂、信息量巨大,高分辨率遥感影像分类在特征选择和分类方法优化两个关键问题上面临严峻的挑战。这两个关键问题本质上都可以转化成优化问题。智能优化算法由于它的自组织、自适应能力和强大的全局寻优特性,为解决这些问题提供了理论基础。本文将万有引力模型和引力搜索算法（Gravitational Search Algorithm,GSA）引入到高分辨率遥感影像分类领域,对高分辨率遥感影像分类的特征选择、分割和分类方法等关键技术进行了深入系统的研究,建立了一套基于万有引力模型的高分辨率遥感影像分类方法体系,为实现高分辨率遥感影像信息的智能转化和认知奠定了基础。本文主要工作概括如下:（1）对万有引力搜索算法的寻优机制进行了深入系统的研究,提出了一种基于动态邻域学习的引力搜索算法（Dynamic neighborhood learning-based GSA,DNLGSA）。新算法从粒子的邻域拓扑结构入手,深入分析了GSA算法中各粒子间的信息交流机制。在此基础上,提出一种局部全连接的邻域拓扑结构,改进了GSA算法中K_best邻域模型局部搜索能力不足的问题。为了进一步提高算法的自适应性,引入动态邻域的思想,使得算法能够根据种群的进化状态自适应的构造邻域。DNLGSA算法既保持了GSA算法搜索方向多样性的特点,又克服了静态邻域中的信息交流不充分的问题。实验结果证实了该算法在收敛速度与精度方面的具有优越性能。（2）将数据场理论引入多目标优化领域,构建了一种基于数据场的多目标引力搜索算法（Data Field based Multi-Objective GSA,DFMOGSA）。该算法将外部档案的目标空间视为一个引力衍生数据场,通过计算每个非支配解的势能,判断每个解所在空间的密度。密度最低的解被选定为第一类引导粒子,能够直接吸引种群中的粒子向外部档案的低密度区域收敛,从而提高解分布的均匀性。另外,为了增加引导粒子的多样性,在种群内按照非支配排序方法选择较优粒子作为第二类引导粒子,这些粒子能够通过万有引力引导粒子的寻优过程。两类引导粒子的共同作用使得DFMOGSA算法得到的非支配解不论在收敛性还是均匀分布性上,均具有一定的优越性。（3）基于DNLGSA算法提出了高分辨率遥感影像新的的场景描述方案。高分辨率遥感影像分类的一个关键环节在于如何精确的提取高分辨率遥感影像的空间特征和光谱特征,实现场景描述。目前已经提出了上百种信息提取方法。如何从如此庞杂的特征中实现特征的智能选择和优化,是一个至关重要的问题。本文首先利用多种方法提取高分辨率遥感影像的光谱与纹理特征,组成场景描述的原始特征集,然后通过建立特征空间与优化算法的映射关系,设计了基于DNLGSA算法的二进制特征编码与选择方案。该方案综合考虑了分类精度与特征数目,能够有效的对原始特征集进行优化与降维。实验证明,该方法能够在不损失分类精度的情况下有效降低场景描述的特征量,为后续的处理奠定基础。（4）基于DNLGSA算法实现了高分辨率遥感影像的智能阈值分割。高分辨率遥感影像分割能够充分利用空间信息,弥补单纯分类方法的不足。阈值分割方法由于简单有效得到了广泛的研究。但是,传统的阈值分割方法面临两个问题:一是阈值的选择非常困难,尤其处理多阈值分割问题时很容易陷入局部最优;二是传统方法多是在灰度图像上进行,不适用于空间信息丰富的高分辨率的遥感影像。本文在特征选择的基础上,通过Otsu阈值分割准则建立了阈值空间与优化算法的映射关系,将具备全局搜索能力的DNLGSA算法引入高分辨率遥感影像多阈值分割领域,实现了影像的多阈值分割。此外,本文基于欧氏距离,设计了不同特征阈值分割结果的融合方法,实现了多特征高分辨率遥感影像的多阈值分割。（5）设计了基于DFMOGSA算法的高分辨率遥感影像多目标智能分类方法。传统的高分辨遥感影像分类方法,例如非监督的K均值算法与监督的支持向量机方法,分类时都只设计一个目标函数。由于高分辨率遥感影像场景复杂,特征众多,不同特征之间可能存在冲突,单一的目标函数不能对数据进行充分描述,极有可能导致过拟合问题。为了提高影像分类的精度,需要从多个角度对分类目标进行建模。本文基于模糊聚类方法,综合考虑Jm与XB（Xie-Beni）指标,设计了能够分别从局部与全局角度对分类目标进行建模的多目标函数,从而将分类问题映射到多目标优化领域。然后,将DFMOGSA算法引入到多目标分类过程,通过对多个目标函数同时进行优化,实现了较高精度的遥感影像分类。