利用遥感技术对区域性土地利用/覆被进行动态监测,定量提取土地利用/覆被变化信息,是全球变化研究的重要领域之一。而遥感影像的自动信息提取和分类识别是实现这一目标的关键。本文以地物类型较复杂的城郊结合区的为例,集成TM遥感影像的光谱和纹理信息,利用支持向量机、基于Cart算法的决策树以及传统的最大似然法进行土地利用分类对比研究,得到的主要结果如下:(1)利用最小噪声分离法(MNF)、缨帽变换法(K-T)和植被归一化指数(NDVI)对遥感影像进行变换,选取MNF变换的前4个波段,3个K-T变换的波段和1个NDVI波段,构造成含8个波段的新数据作为光谱信息参与分类。(2)对TM遥感影像进行主成分分析,采用基于灰度共生矩阵的纹理分析方法,使用8个纹理变量指标对第一、第二主成分的纹理特征进行提取,得到包含16个纹理特征的新波段参与分类。并对纹理窗口大小的选取进行讨论,结果表明,5x5窗口下得到的纹理特征进行分类,可以获得较好的分类结果。(3)基于光谱和纹理信息,分别利用决策树、支持向量机和最大似然法对影像进行分类。分析分类结果图和kappa系数,对三种方法的分类结果进行评价,结果表明:基于光谱和纹理信息的SVM图像分类精度和Kappa系数分别达到86.67%和0.8501,比最大似然法和决策树分类方法有了显著的提高。分类结果图未经任何后处理就可以得到比较完整的类别,分类准确度高,地物错分现象相对较少。同等样本条件下,支持向量机可以更好地利用多源信息,具有更高的分类精度和适应能力。与单纯基于光谱数据的支持向量机分类方法进行比较,纹理信息的加入有助于分类精度的提高。(4)对决策树的分类精度较低的原因进行了分析:一些不具有代表性的样本,影响了样本的纯度,增加了数据噪声;某些地物较少导致选取的样本少,使某些规则仅基于少量的数据;将决策树转换为分类规则时,人为的取舍对结果也有影响。针对样本对分类的影响,在试验中可以采用多种方法提高样本纯度,均匀的选取样本,清除数据噪声和与分类目标无关的数据,获得更为理想的决策树用于分类。