决策树算法是数据挖掘中应用最广的归纳推理算法之一，其构造不需要任何领域知识或参数设置，适合于探测式知识发现。决策树算法具有结构清晰、运行速度快、准确性高以及更好的灵活性和鲁棒性，可以用于处理高维数据，其获取的知识是直观的且容易被人理解。目前决策树算法已经被广泛的应用于医学、制造和生产、金融分析、天文学、分子生物学以及遥感影像分类等领域。 法和boosting推进技术研究的基础上，以BoostTree算法为基础，通过算法改进，构建了AdaTree.WL算法。然后以该算法为基础研发了决策树遥感影像

针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点，在综合各种数据降维方法的基础 上，提出一种基于最佳波段组合的高光谱遥感影像分类方法。以美国印第安纳州地区的 AVIＲIS 数据为例，分析 各波段信息量和相邻波段的相关性，利用子空间划分、分段波段指数选择法，进行特征波段的选择; 并针对难区 分地物类别，应用 J － M 距离模型对其可分性进行判别，获得最佳波段组合。最后采用支持向量机分类器进行分 类。实验结果表明，采用最佳波段组合方法，可以有效地提高高光谱的分类精度。

基于分类器组合的遥感影像分类，豆林轩，，将多分类器集合应用土地覆盖分类，首先构建分类器集合，应用支持向量机、径向基神经网络、J48决策树、简单贝叶斯和REPtree分类等进�

文章提出了一种结合改进的最佳指数法（OIF）和支持向量机（SVM）进行高光谱成像影像分类的新方法。影像，透过新影像进行OIF计算，得到OIF值最大的分割组合为最佳分割组合；并建立SVM分类器，对最佳分类组合分类；最后将分类结果与其他监督分类方法比较，并在相同核函数结果与PCA和SVM结合的方法进行精度比较分析。

已经研究了各种分类方法以提高分类精度。 这研究提出了一种最优的波段组合联合WCOMP + BPNN分类方法ETM遥感图像。 它分析了各种类型物体的光谱特征， 基于最少的冗余信息来构造最佳的频带组合。 遥控器感知图像经过WCOMP + BPNN方法分类后，根据BP神经网络进行分类。 WCOMP降低了噪音。 实验结果表明所提出的性能与两个传统分类器（即BPNN和K-Means。