遥感技术是生态地类提取信息获取的重要手段,而在生态地类提取信息的获取中,遥感影像的分类方法研究又是研究的关键一步,选取一个好的分类方法能够使对生态地类提取的监测能力有着巨大的提升。传统的基于像元的分类方法不能合理有效的利用图像中的全部特征信息,它只注重了光谱信息而忽略了图像中的空间特征和纹理信息,在阅读大量国内外文献和不断分析对比之后,决定以哨兵2号卫星影像数据为数据源,以三江源国家公园黄河源园区为研究区域,探讨基于面向对象的决策树分类研究方法在高寒湿地生态系统中的适宜性与精准度。选择多尺度分割作为影像的分割方法,并且通过多次试验得到最优分割尺度和其他分割参数,使得分割后的对象能够满足分类的要求。影像特征提取方面综合提取了哨兵2号的Band2-Band8A总共8个原始影像波段、提取了归一化植被指数NDVI、归一化水体指数NDWI、纹理特征方面选择了由灰度共生矩阵计算得出的平均值、均一性、二阶矩、非相似性、标准差、相关性、对比度和熵,辅助特征信息选取的是DEM数字高程模型和基于高光谱复原实验计算而来的细粒度的光谱信息,是一幅二值化图像。总共二十个特征指数构建CART决策树规则并且参与分类。最后进行精度评价,结论如下:（1）通过多次的试验分析和比对得知,针对研究区域分割尺度为45,形状权重设置为0.1,紧致度设置为0.25,分割出来的影像效果达到了要求。（2）针对决策树分类算法规则的构建,构建规则的特征指数包括了纹理特征指数、光谱特征指数以及辅助分类用的细粒度光谱信息和DEM数字高程数据集,这种规则构建的方法对比其他的决策树规则构建方法进行了改进和优化。（3）第三组实验中将光谱特征、纹理特征与辅助特征全部组合在一起再基于CART决策树的分类法得到的Kappa系数为92.51%,总体精度为94.01%,相比于实验二的Kappa系数89.50%,总体精度91.61%,实验一中Kappa系数87.25%,总体精度89.79%,还有传统的最大似然分类法的Kappa系数76.32%,总体精度为80.81%,都有着较为明显的提升。说明基于这种特征组合的面向对象的决策树分类方法在对高寒湿地生态系统进行分类时,是一种有效的手段。（4）面向对象的决策树分类方法和最大似然分类实验中草地的精度对比其他地物来说都有着不足,可能是林地与草地会有混分情况的出现。