影像分割是遥感影像处理(如特征提取、目标辨识、地物目标分类)的基础工作和重要任务。高分辨率遥感影像所具有的更加丰富的地表覆盖细节信息为精准地物目标分割提供了充分的依据。然而，更加精细的空间尺度、复杂多样的地物目标及真实地表覆盖信息的缺乏，增加了像素类属的不确定性和分割决策的不确定性，给高分辨率遥感影像分割带来了新问题，导致高分辨率遥感影像应用传统的影像分割方法得到的分割结果精度并没有随着分辨率的提高而得到显著提高。有鉴于此，本文以处理高分辨率遥感影像像素类属不确定性、分割决策不确定性及充分合理建模同质区域光谱测度分布模型为目标，提出基于区间二型模糊理论的影像建模与分割这一科学问题，并对其展开系统的理论与实践研究，以实现精度高、可靠性强的高分辨率遥感影像分割。本文具体工作和主要贡献包括：

(1) 分析了高分辨率遥感影像数据特征，通过监督采样建立同质区域一型模糊隶属函数模型，以刻画像素类属的不确定性；为了改善一型模糊隶属函数对类属不确定性的表达和增强分割决策的准确性，以同质区域模糊隶属函数模型为基础，根据正态分布或高斯分布的3σ准则，提出了3种类型的区间二型模糊隶属函数影像建模方法。分析不同形式的区间二型模糊模型的适用条件，试验验证了相对于一型模糊模型，区间二型模糊模型能够提高分割精度。

(2) 对3种区间二型模糊隶属函数的适用性进行了分析。具有不确定均值的区间二型模糊隶属函数适用于刻画同质区域存在光谱测度的不确定性情况；具有不确定标准差的区间二型模糊隶属函数模型可以刻画同质区域光谱测度变化不大，而频率出现的差异性较大的情况；具有不确定均值和不确定标准差的区间二型模糊隶属函数可以同时刻画同质区域光谱测度的不确定性及出现频率的不确定性情况。

(3) 加权平均法构建分割决策模型。依据训练数据的原始隶属度，上隶属度及下隶属度与对应的直方图频率值距离越接近发挥的作用越大，距离越远发挥的作用越小的原则，提出将3种隶属度的加权平均和作为分割决策模型的最终隶属度。通过试验验证了提出的区间二型模糊决策模型的分割精度高于传统分割方法。

(4) 基于改进的模糊线性神经网络法分割决策模型的构建。将训练样本在所有类别中的一型模糊隶属度及区间二型模糊隶属函数的上、下隶属度作为输入，并构建了适应高分辨率遥感影像的分段线性函数作为激活函数，以训练数据直方图作为期望输出，建立模糊线性神经网络模型作为分割决策模型。分析该模型对同质区域直方图分布特征的拟合效果及对分割精度的影响程度，并通过试验验证了提出方法可以精确拟合高分辨遥感影像非对称多峰分布特征，分割精度高于传统分割方法。

(5) 针对加权平均法及改进的模糊线性神经网络法分割决策模型对噪声敏感问题，对分割决策模型进行了完善，提出融入空间关系的加权平均法和模糊线性神经网络法分割决策模型，并试验验证其可行性。

(6) 对提出方法中区间二型模糊模型的不确定区域范围对分割精度的影响规律进行了研究，确定最佳分割决策模型，实现影像最优模糊划分。