遥感聚类分析是研究样品或指标分类问题的一种多元统计方法。聚类是一个将数据集划分为若干组或类的过程，并使得同一个组内的数据对象具有较高的相似度，而不同组中的数据对象则是不相似的。相似或不相似的度量是基于数据对象描述的取值来确定的，通常就是利用各对象间距离来进行描述。距离指标的方法非常多：按照数据的不同性质，可选用不同的距离指标。欧氏距离（Euclidean distance）、欧氏距离的平方（squared Euclidean distance）、曼哈顿距离（Manhattan distance）、切比雪夫距离（Chebychev distance）、卡方距离（Chi-aquare measure）等。

当采用某一种距离函数对所有模式进行判别时，将距离数值计算出来，必须确定一个阈值，在小于此阈值时，判为同类，否则在大于它时，定为异类。一般通过经验法或者函数法来确定聚类准则，使阈值选择比较正确、合理。常用的聚类分析算法包括简单搜索算法、最大的最小距离算法、K均值算法、ISODATA算法和系统聚类法等。

聚类分析方法是否有效，与模式特征向量的分布形式有很大关系。若向量点的分布是成群的，同一群样本密集（距离很近），不同群样本距离很远，则很容易聚类；若样本集的向量分布聚成一团，不同群的样本混在一起，则很难分类；对具体对象做聚类分析的关键是选取合适的特征。特征选取得好，向量分布容易区分，选取得不好，向量分布很难分开。以黑白围棋子作为例子：选颜色作为特征进行分类，用“1”代表白，“0”代表黑，则很容易分类；选大小作为特征进行分类，则白子和黑子的特征相同，不能分类（把白子和黑子分开）。

模式识别的目的是希望得到较好的分类结果，由于聚类分析是非监督的分类方法，具有一定的盲目性，对聚类的结果进行评价是很有必要的。对于低维的模式空间，可以将聚类结果的集合分布直观地显示出来，通过直观的分析，评价聚类的正确性，对于不合理的部分，可调整参数，重新计算。对于高维的模式空间，可以计算各聚类中心间的距离，各聚类域中样本数目及方差，并对这些结果进行分析。同时，还可以利用屏幕显示与实地（或实物）抽样检核，借助有关文献、图件和已有成果评价聚类结果。