非监督分类也称聚类分析，是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即运用自然聚类的特性让机器进行自学习并进行分类，它以集群为理论基础，通过计算机对图像进行集聚统计分析，是模式识别的一种方法。非监督分类在遥感影像领域的主要算法为ISODATA、K-means。

ISODATA

一种重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元再进行分类。

K-Means

使用聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值获得一个“中心对象”来进行计算的，然后迭代地重新配置她们，完成分类过程。

ISODATA、K-means较其他分类方法的优势在于，把分析判别的统计聚类算法和简单多光谱分类融合在一起，使聚类更加准确客观。

非监督分类的一般工作流程是， 分析影像 → 算法选择 → 非监督分类 → 类别定义/类别合并 → 验证分类结果。

非监督分类并不采用先验知识和训练样本，所以在分类之前，需要分析者先大体判断影像中主要的地物类别数量和光谱特征，选择算法，即开始分类，与监督分析相比，前期任务较为轻松。但在机器自分类之后，分析者需要通过目视或者其他方式识别分类结果，并填写相应的类型名称和颜色。 

通过工作流程，同样也能很好地理解非监督分类的优缺点。其优势在于，机器分类之前，人为约束较少，仅需框定地物类别；并且，当研究区域的现场数据或先验知识不可用时，无监督分类也可以继续工作。但在机器分类后，分析者需要对光谱集群组重新归类和标识，也就是类别定义和类别合并，这个过程也有较大工作量，部分类别需要数据支持，或组织野外实地调查。