机器学习是人工智能的一个重要领域，源自于统计模型拟合。机器学习通过采用推理及样本学习等方式从数据中获得相应的理论，尤其适合解决“噪声”模式及大规模数据集等问题。本书是作者几年来科研成果的总结。全书共7章，围绕遥感图像分类这一主线，深入研究监督学习、半监督学习、集成学习三大主流机器学习算法，构建完整的遥感图像分类体系。在理论研究的基础上，结合实例，详细介绍了改进机器学习算法及其在遥感分类处理中的应用情况。 本书内容充实、结构清晰、实例丰富，适合从事计算机及相关学科的师生，以及相关科研院所的科研人员阅读。

长期以来，土地覆盖变化的研究一直是全球环境研究的热点，无论从社会经济角度还是从生态环境角度均具有重要的意义。为了全面掌握土地覆盖变化信息，迫切需要使用切实有效的方法实现土地覆盖宏观、动态、大尺度的制图与监测，遥感技术的迅猛发展为这一需求提供了可能。然而，目前遥感信息处理和分类的水平大大滞后于遥感影像获取技术的发展。因此，研究新理论、新方法以提高遥感信息的处理能力具有十分重要的意义和应用前景。 支持向量机(Support Vector Machines，SVM)是近年来机器学习与模式识别领域新的研究焦点，它具有结构简单、适应性强、全局最优等特点，能较好地解决高维特征、非线性，过学习与不确定性等问题，广泛地应用于土地覆盖遥感分类。尽管SVM在遥感信息获取中取得了很好的效果，但仍存在有待改进和完善之处，主要表现在以下两方面：①参数选择的问题，即不准确的分类参数常常影响分类器的分类精度；②样本不足且代表性不好的问题，即当训练样本集远远小于测试样本集时，即便SVM具有较强的泛化性，也难以给出令人满意的结果。围绕这些问题，本书开展了如下工作： 1. 选择图们江下游，中、朝、俄交界处作为研究对象。以行列号115-30一景、近20年的6幅不同时相的Landsat ETM/TM影像作为研究材料。分别讨论本书所采用的影像合成方式、特征采集方法、土地覆盖分类依据，以及特征选取方法，为进一步研究分类方法提供必要的数据材料。 2. 针对SVM分类过程中核函数选择及参数设置不准确的缺点，提出一种基于自适应变异粒子群优化SVM参数模型(Adaptive Mutation Particle Swarm ...