遥感技术作为非接触式大尺度的观测方法,对监测土地覆盖变化起到了有效作用。土地覆盖变化被认为是引起全球环境改变的原因之一,故研究土地覆盖变化状况现已引起专家学者的广泛关注。地物分类作为遥感影像分析的基础,在遥感科学与应用领域中具有重要意义。其中,支持向量机（SVM）在地物分类任务中表现出优越的性能。但由于SVM模型在进行分类时无法确定最优参数组合,一定程度上会影响地物分类结果的准确性。本文以中国崇明岛为研究区,利用Sentinel-2光学卫星遥感影像数据,构建贝叶斯算法优化SVM模型自动获取最优参数组合对遥感影像进行分类,提高地物分类精度。并分析优化后模型较其他模型的分类优势、精度变化情况,为大区域地物类型分类研究提供科学参考。开展的具体工作如下:（1）结合研究区域的地物特点,为了凸显不同地物的信息差异,增强分类器对不同地物的识别能力,本文首先开展2017-2020年Sentinel-2影像特征信息构建工作。除了提取常用的归一化植被指数、归一化水指数外,还提取了比值植被指数、增强植被指数和颜色指数三个特征参数,以增强不同植被间的差异。利用主成分分析法对由灰度共生矩阵提取的Sentinel-2四个10m分辨率影像的多个纹理特征逐年进行降维,丰富不同地物的信息的同时,减少数据冗余,以提升分类效率及性能。（2）在支持向量机分类模型的基础上,结合近年来流行的贝叶斯算法搜寻支持向量机模型参数（惩罚系数C及核函数参数γ）的最优组合,用以提高遥感影像的分类精度。研究表明,使用最优参数组合训练的支持向量机模型精度达到了94.33%,比使用默认参数组合的支持向量机模型精度提高了3.07%,为其应用于遥感影像地物分类研究提供了重要的技术支撑。（3）为了研究构建的新模型的普适性及对大面积、地物复杂地区分类的效果,分别对2017-2020年崇明岛地区的Sentinel-2影像波段集进行地物分类实验。本文先后比较了最大似然法（MLC）、随机森林法（RF）、支持向量机法（SVM）和优化后的支持向量机法（BO-SVM）四种算法的性能指标。研究表明,BO-SVM的分类精度普遍高于其他三种方法,其中2017-2020年BO-SVM分别比SVM的分类结果高2.505%、2.935%、3.365%和4.582%。可见,该方法应用在遥感图像的分类中具有一定的稳定性和普适性。