森林类型的分类提取是森林资源监测体系中的基础与关键环节,高效、准确、精细地实现森林类型分类对于掌握森林资源现状、提高森林经营水平,促进林业可持续发展具有重要意义。遥感技术因其宽范围、高时效和低成本的优势,在森林分类与面积提取方面得到广泛应用。然而,目前在森林类型分类提取研究中仍然存在对我国新数据源关注不足、分类精细程度不够、特征类型选取不全面、信息挖掘不充分等问题。针对以上不足,本研究基于高分一号(GF-1 WFV)遥感数据,结合面向对象的影像分析方法和CART决策树、支持向量机、随机森林三种分类器,探索不同特征类型、不同特征选择方法对不同分类器分类精度的影响,通过优化分类方法与分类策略选取最优结果实现德清县的森林精细分类。主要研究内容与结论如下:(1)针对面向对象的多尺度分割参数展开研究。通过最佳因子指数法(OIF,Optimum Index Factor)确定波段权重,并结合多次分割试验与ESP尺度评价工具来获取最优尺度参数,结果表明,当分割尺度、形状因子、紧致度因子分别设置为78、0.1、0.5时分割效果最好;结合OIF波段选择方法与ESP工具能够有效地实现分割参数的选择,优化分割效果,对进一步的分类研究具有重要意义。(2)基于CART决策树、支持向量机与随机森林三种分类方法,将多时相特征、光谱波段特征、专题指数特征、纹理特征、颜色特征、形状特征和地形特征等不同特征类型进行组合并设置8组特征组合方案,来探究不同分类方法下,不同特征类型的加入对于分类总体精度和单一地类精度的影响,分析不同特征类型对森林分类的重要程度,并比较三种分类方法的分类性能。结果表明:1)在所有特征组合下,三种分类方法的总体精度均表现为随机森林分类大于支持向量机分类远大于CART决策树分类,并且随机森林分类方法对森林类型的识别能力更好。2)对于三种分类方法,多时相特征、光谱波段特征、专题指数特征、HIS颜色特征和地形特征均能够有效地提高分类总体精度,其中多时相特征对于分类总体精度的提高最为显著。纹理特征与形状特征的加入并不能提高分类精度。3)不同特征类型对于不同分类器的影响情况不同,在实际应用中,应该结合具体情况来进行特征类型的选取。(3)采用基于随机森林特征重要性的特征选择和基于Boruta算法的特征选择方法并结合上述三种分类方法进行森林分类,得到以下几点结论:1)不同类型特征与不同时相特征对于森林分类的重要程度不同。各特征类型的重要程度依次为:颜色特征>地形特征>光谱波段特征>指数特征>纹理特征>形状特征;各时相的重要程度依次为:8月>12月>2月>10月。2)从特征选择前后精度变化来看,特征选择对于CART决策树分类精度的提高最为有效,支持向量机次之,随机森林分类精度受特征选择影响最小;此外,支持向量机分类器对于特征数量的变化最为敏感,而随机森林分类方法表现出更好的稳定性。3)对于三种分类方法,综合多种类型特征和特征选择均能够有效提升森林分类精度。与基于Boruta算法的特征选择方法相比,基于随机森林重要性的特征选择方法对于分类效率和分类精度的提升更为显著。(4)通过比较不同分类策略与不同分类方法分类结果的精度,发现以随机森林为分类方法,综合所有特征类型并以随机森林特征重要性为特征选择方法进行森林分类时,分类精度最高,总体精度与Kappa系数分别为88.75%和0.8694。与二类调查数据相比,森林总面积提取精度达到98.63%,且大多数森林类型精度均高于80%,表明该方法的有效性。