土地利用信息的分析是土地调查和检测的一个重要方面,是反馈土地管理政策、检验土地管理效率的一个重要手段。针对传统的模式识别分类方法,其分类结果由于遥感图像本身的空间分辨率以及“同物异谱”,“同谱异物”现象的存在,而往往出现较多的错分、漏分等情况,导致分类精度不高。本文采用资源公开的Google Earth遥感图像,研究地物特征信息分析、地物特征量的提取和优化,地物的分类识别和精度评价。本研究的主要工作和结论如下:(1)采用资源公开且免费的Google Earth图像为研究对象,提出了基于Google Earth遥感图像的土地利用分类方法;根据土地利用类型并结合所获取图像的特征,将本研究的土地利用类型分为植被地、居民区和裸地3类;本研究提供了新的土地利用现状和村镇布局获取途径,为土地资源评估、村镇规划提供了新的方法。(2)针对传统的“同物异谱”,“同谱异物”的现象,本研究采用纹理特征与灰度特征相结合作为分类特征量,通过反复实验确定灰度共生矩阵的参数,进而较合理地提取图像的纹理特征,完整地获取了图像的纹理信息;采用主成分分析法对所提取的特征量进行优化,保证以较少的特征量最大程度地表达地物特征,从而确保分类过程特征量的高效性,减少了分类时的冗余度,大大提高分类速度和精度。(3)构建BP神经网络结构模型,确定BP神经网络结构参数和训练参数,通过经验与反复实验的分析对比,确定合理的结构参数和训练参数,BP神经网络训练正确率达到90%～100%,将待分类的样本输入已经训练好BP神经网络进行分类;采用混淆矩阵对分类图像进行精度评价,结果表明,本文构建的BP神经网络模型分类精度达到了88.00%,且Kappa系数为0.8145;通过与传统的最大似然分类法的分类精度进行比较,证实了本文构建方法的高效性。(4)根据所获取图像的颜色特征,提出基于K-means聚类算法的分类方法,将实验图像从RGB颜色空间转换成更符合人眼视觉的CIE Lab颜色空间,在CIE Lab空间下进行K-means聚类;为实现图像的自动分割,采用爬山算法确定聚类的数目和聚类中心;采用混淆矩阵对实验结果进行精度评价,结果表明,本文构建的基于K-means算法的分类方法分类精度达到了87.3%。