امروزه فناوری سنجش از راه دور (تصاویر ماهواره ای) در کشاورزی، محیط زیست، ارتباطات و بسیاری از زمینه های دیگر، توانایی خود را به طور چشمگیری در تولید اطلاعات به اثبات رسانده است. یک مسئله اساسی در فناوری سنجش از راه دور، تعداد ویژگی های زیاد موجود، در مجموعه داده ها ی اطلاعاتی حاصل از این فناوری است. تعداد ویژگی های زیاد، هم ازلحاظ مقدار حافظه ی مصرفی و هم ازلحاظ افزایش پیچیدگی محاسبات در هنگام طبقه بندی این مجموعه داده ها، زیان بار هستند، بنابراین باید تا حد ممکن تعداد ویژگی ها را کاهش داد. یکی از رویکردهای کلی کاهش ویژگی، استفاده از روش های انتخاب ویژگی است. الگوریتم ReliefF، یکی از شیوه های رایج انتخاب ویژگی است که امکان استفاده در مجموعه داده ها ی چند کلاسه و ناقص را دارد. این الگوریتم به هر ویژگی یک امتیاز که بیانگر میزان توانایی آن ویژگی در تمایز بین نمونه ها است، نسبت می دهد. در سال های اخیر، روش های مختلفی جهت بهبود الگوریتم ReliefF ارائه شده اند، اما همواره دو نقص اساسی، هم در الگوریتم ReliefF و هم در روش های اخیر، مشاهده می شود و آن ها عبارت اند از (1) در نظر گرفتن نمونه های پرت موجود در مجموعه داده ی ورودی، در محاسبات مربوط به امتیازدهی و(2) در نظر نگرفتن همبستگی، میان مقادیر ویژگی، در کلاس های مختلف، در محاسبات مربوط به امتیازدهی است. لذا هدف این پایان نامه بهبود الگوریتم ReliefF و برطرف کردن این نقیصه ها با استفاده از روش های پیشنهادی می باشد، سپس استفاده از این روش ها در افزایش دقت طبقه بندی تصاویر ماهواره ای است. در این پایان نامه دو روش پیشنهادی آورده شده است، در روش پیشنهادی اول مجموعه داده ورودی اصلاح شده است و در روش دوم، علاوه بر اینکه مجموعه داده ی ورودی اصلاح شده است، همبستگی، میان مقادیر ویژگی، در کلاس های مختلف به عنوان یک پارامتر منفی در امتیازدهی به ویژگی ها در نظر گرفته شده است. عملکرد روش های پیشنهادی به کمک مجموعه داده های معتبر دیگر نیز بررسی و نتایج به دست آمده نشان دهنده ی کارایی بهتر روش های پیشنهادی در مقایسه با روش های ماقبل است.
