O objetivo genérico desta Tese foi o desenvolvimento de técnicas computacionais baseadas em conhecimento para apoiar a interpretação automática de dados de sensoriamento remoto multi-temporais, com ênfase na investigação da aquisição e representação explícita de conhecimento temporal, bem como na sua integração com outros tipos de conhecimento dentro do processo de interpretação. Dois objetivos específicos, inter-relacionados, foram perseguidos: (i) o desenvolvimento de um novo método de classificação baseado no conceito de cadeias nebulosas de Markov (CNM), que provê meios para a estimação de seus parâmetros temporais e para a utilização de conhecimento temporal no processo de classificação; e (ii) a modelagem e implementação de um ambiente baseado em conhecimento, de código livre, para a interpretação de dados de sensoriamento remoto. Para validar o novo método de classificação multitemporal, foram realizados experimentos voltados à interpretação de uma seqüência de três imagens LANDSAT de uma área na Região Centro-Oeste do Brasil, utilizando um método estocástico e outro analítico para a estimação das matrizes de transição de classes que compõem o modelo CNM. Enquanto os classificadores mono-temporais obtiveram uma acurácia média por classe de 55%, o esquema multi-temporal alcançou acurácias entre 63% e 94%. Resultados semelhantes em termos de acurácia global foram verificados. Além disso, quando comparado a abordagens multi-temporais correlatas, o método proposto obteve melhores resultados. De forma a validar o ambiente baseado em conhecimento aqui proposto, o método CNM foi implementado através de suas funcionalidades. Um conjunto de experimentos nos quais diferentes variações do método CNM, estruturadas no novo ambiente, foi executado satisfatoriamente.