定義
最大似然分類（maximumlikelihood classification ）：在兩類或多類判決中，用統計方法根據最大似然比貝葉斯判決準則法建立非線性判別函式集，假定各類分布函式為常態分配，並選擇訓練區，計算各待分類樣區的歸屬機率，而進行分類的一種圖像分類方法。
最大似然分類在傳統的遙感圖像分類中，最大似然法的套用比較廣泛。該方法通過對感興區域的統計和計算， 得到各個類別的均值和方差等參數，從而確定一個分類函式，然後將待分類圖像中的每一個像元代入各個類別的分類函式， 將函式返回值最大的類別作為被掃描像元的歸屬類別，從而達到分類的效果。
遙感影像計算機自動識別與分類，就是利用計算機對地球表面及其環境在遙感圖像上的信息進行屬性的識別和分類，從而達到識別圖像信息所相應的實際地物，提取所需地物信息的目的. 目前遙感影像自動分類主要是利用地物（或對象）在遙感影像上反映出來的光譜特徵來進行識別與分類 。
性質
一種遙感圖像分類算法
核心：確定判別函式fAB(X)和相應的判別準則。
一種監督分類算法
特點：事先知道類別的信息（即類別的先驗知識）
原理
貝葉斯定理：假設B1,B2…互斥且構成一個完全事件，A伴隨它們出現，已知它們分別發生的先驗機率P(Bi),i=1,2,…及A的條件機率P(A|Bi)，則可以得到事件A的後驗機率P(Bi|A)。
由機率乘法公式
P(AB)=P(A)*P(B|A)=P(B)*P(A|B)
分類前基於這樣一個假設:待分類的每個像素在每個類別是服從常態分配的，通過訓練樣木統計出樣木的先驗機率和條件機率，再根據貝葉斯理論求出像素點的後驗機率，取其最大的後驗機率作為歸屬類別。
具體步驟
其主要過程如下：
1) 確定需要分類的地區和使用的波段和特徵分類數, 檢查所用各波段或特徵分量是否相互已經位置配準；
2) 根據已掌握的典型地區的地面情況, 在圖像上選擇訓練區；
3) 計算參數,根據選出的各類訓練區的圖像數據,計算和確定先驗機率；
4) 分類,將訓練區以外的圖像像元逐個逐類代入公式,對於每個像元,分幾類就計算幾次,最後比較大小,選擇最大值得出類別；
5) 產生分類圖,給每一類別規定一個值,如果分 10 類,就定每一類分別為 1 ,2 ……10 ,分類後的像元值使用類別值代替,最後得到的分類圖像就是專題圖像. 由於最大灰階值等於類別數,在監視器上顯示時需要給各類加上不同的彩色；
6) 檢驗結果,如果分類中錯誤較多,需要重新選擇訓練區再作以上各步,直到結果滿意為止 。
優缺點
最大似然分類的優點是簡單，實施方便，並目_以BAYES理論和其它先驗知識融合分類，密度分布函式可以有效、清晰地解釋分類結果，但是這類方法比較適合用於波段較少的多波段數據，這也是其在多光譜分類中得到廣泛套用的原因。最大似然在高光譜分類的拓展套用中存在以下缺陷優待進一步研究 。
1)分類時間延遲，分類時間隨著波段信息的增加成二次方的增長。
2)對訓練樣木要求高，訓練樣木必須超過波段數，以方便估計光譜均值向量和協方差矩陣參數。
