随着社会经济的不断发展,人类活动所导致的环境问题日益突出。利用遥感影像覆盖范围广、获取周期短等优势,对土地利用类型分类和土地覆盖变化检测,能够为土地资源合理利用和开发提供依据,对生态保护和经济可持续发展具有十分重要的意义。然而目前的遥感影像解译方法受“同物异谱”和“异物同谱”等现象影响,缺乏专门适用于遥感影像动态监测的有效方法,制约着遥感技术在大面积、多时相土地利用/覆盖监测问题应用上的普适性。因此迫切需要探索如何快速有效地利用影像数据提取土地利用/覆盖情况。本研究主要从利用遥感影像进行土地利用分类和土地覆盖变化检测两个方面展开,对遥感域适应分类和变化检测两方面进行探讨。首先,由于土地利用分类中同期影像存在“同物异谱”现象,并且从遥感影像解译的动态监测过程出发,随着解译图幅的增加,模式分类方法不能根据补充样本集自适应地调整分类器,无法满足实际遥感影像土地利用土地覆盖解译的应用需求。因此,建立域适应单峰子类分解模型,增强对同期影像存在异谱现象的子类地物的描述能力,同时实现不同采样区域的连续学习,有效提高多区域遥感影像分类的精度。其次,针对利用遥感多时相影像动态监测过程中,训练样本获取困难的问题,提出了一种基于加权极限学习机的域适应分类方法,通过域适应学习将源域数据中的有用样本和源域模型中的有效参数传递给目标域分类任务,显著降低对目标影像训练数据量的需求,减少目标分类任务的人力物力,有效提高分类精度和完整性,实现了利用遥感动态监测的时效性。最后,针对传统分类后比较法在遥感影像变化检测方面存在误差累积的问题,提出一种基于对象的熵值查询模糊ARTMAP联合分类变化检测方法。利用主动学习算法选择出最有利于训练神经网络的训练样本,通过联合分类器降低误差累积问题对分类结果的影响,并引入超像素分割思想获得基于对象的变化检测结果,大大减少“椒盐现象”带来的变化检测结果过大的情况,并利用多时相影像实现了盘锦湿地围垦过程的动态监测,验证了所提方法的有效性。