近十年以来,贵州迎来了发展的“黄金十年”,随着经济的快速腾飞,城市建设速度的加快,导致土地利用方式变化剧烈,且喀斯特山区土地利用的分布极为破碎,使得传统目视解译的方式难以满足该地区土地利用/覆被信息变化的动态监测。基于遥感和GIS手段结合计算机自动解译技术的土地利用动态监测已经成为国土空间调查不可或缺的方式。针对喀斯特地区影像分割尺度难以确定,特征数量维数过高,分类精度较低的问题,本文选择了喀斯特典型地区清镇市和观山湖两区,对该地区2020年的Sentinel-2影像进行面向对象提取,结合定量方法分别用均值方差法（Mean Variance Method,MVM）和平均邻域差分绝对值与标准差比（Average Ratio of Mean Diff.to Neighbors（ABS）to Standard Deviation,ARMAS）计算研究区影像的全局最优分割尺度,其次提出了结合ReliefF和逆向迭代的特征消除策略（Recursive Feature Elimination,RFE）的混合特征选择方法与ReliefF结合粒子群优化算法（Particle Swarm Optimization,PSO）的组合算法对比探究分类的最优特征子集,最后利用选择的最优分割尺度和特征子集输入到随机森林（Random Forest,RF）和K-最近邻（K-Nearest Neighbors,KNN）两个机器学习分类算法获取研究区土地覆盖分布图。研究结果表明该方法对于喀斯特地区的土地覆盖分类具有适用性,可为喀斯特山区土地覆盖动态变化监测提供参考。主要的研究结果如下:（1）面向对象多尺度分割直接决定着影像分类的结果,针对这一问题,本文改进了选择最优分割尺度的过程。首先选择ESP（Estimation of Scale Parameter）工具求解局部分割尺度的范围为[40-210]。为了进一步选择全局最优尺度,选择分割尺度范围[40-220],计算MVM得出最小值为0.424,分割尺度为80时为全局最优分割尺度。同样的选择分割范围[40-220],计算ARMAS得到全局最优分割尺度为40。两种评价方式MVM所得的最优分割尺度大于ARMAS方法选择的。由分类结果可知,MVM方法更适宜于研究区影像的解译。（2）针对目前遥感影像可用于分类过程的特征较多,但分类效率较低的问题。研究中选择了ReliefF算法对原始的特征集进行初选,特征维度由原来的56维下降为30维。随后选择RFE和PSO＿SVM方法对初选的特征再筛选。研究中提出的ReliefF-RFE组合算法由原始的56维筛选为15维,而ReliefF-PSO组合算法由原始的56维筛选为11维。ReliefF-PSO组合算法筛选能力强于ReliefF-RFE组合算法,但其中有用的特征被去除,因此分类结果ReliefF-RFE组合算法表现的更好。研究区地类分布破碎、类别间边界模糊,造成形状特征对分类影响较小,所以选择的15个特征只包括影像的光谱和纹理特征。（3）将选择的最优分割尺度和优化的特征子集应用于RF和KNN两种机器学习分类器构建10种分类模型,结合总体分类精度、Kappa系数等评价指标可知,其中ReliefF-RFE-MVM-RF模型的总体分类精度最高,达到了87.6%。最优尺度选择ARMAS方法选择的最优尺度较小,出现了“过分割”现象,MVM方法整体的分割结果更贴合实际地物边界。特征选择ReliefF-RFE算法选择的15个特征（9个光谱特征、3个自定义特征和3个纹理特征）对不同地类区分能力较ReliefF-PSO筛选的特征子集强。随机森林RF相较于K-最近邻KNN表现更稳定,能有效提高解译精度。总的来说,“MVM多尺度分割+ReliefF-RFE特征选择+RF”是最优的策略。