針對單一特征在場景分類中精度不高的問題，借鑒信息融合的思想，提出了一種兼顧特征級融合和決策級融合的分類方法。首先，提取圖像的尺度不變特征變換詞包（ SIFT-BoW）、Cist、局部二值模式（LBP）、Laws紋理以及顏色直方圖五種特征。然后，將每種特征單獨對場景進行分類得到的結果以Dezert-Smarandache理論（DSmT）推理的方式在決策級進行融合，獲得決策級融合下的分類結果；同時，將五種特征串行連接實現(xiàn)特征級融合并進行分類，得到特征級融合下的分類結果。最后，將特征級和決策級的分類結果進行自適應的再次融合完成場景分類。在決策級融合中，為解決DSmT推理過程中基本信度賦值（BBA）構造困難的問題，提出一種利用訓練樣本構造后驗概率矩陣來完成基本信度賦值的方法。在21類遙感數(shù)據(jù)集上進行分類實驗，當訓練樣本和測試樣本各為50幅時，分類精度達到88. 6l%，較單一特征中的最高精度提升了12. 27個百分點，同時也高于單獨進行串行連接的特征級融合或DSmT推理的決策級融合的分類精度。