滨海湿地生态系统具有净化环境、调节地区气候、维护生物多样性等生态功能,也是抵御与减缓气候变化对沿海地区带来负面影响的主要屏障。滨海湿地植被作为滨海湿地生态系统的重要组成部分,不仅具有重要的经济利用价值,而且能够反映滨海湿地的健康状况变化,具有巨大的生态环境功能。及时掌握滨海湿地植被空间分布状况对滨海湿地的保护与管理具有重要意义。遥感技术作为唯一能够大面积、快速、重复获取地面信息的技术手段,为滨海湿地植被识别和空间变化分析等研究提供了有力的数据和技术支撑。近年来,中高空间分辨率光学遥感影像由于包含丰富的空间信息,被广泛应用于滨海湿地植被识别领域。但是滨海湿地植被结构复杂,仅仅利用光学数据难以对滨海湿地植被进行有效区分,制约了分类的精度。研究表明,合成孔径雷达（SAR）的散射、极化等特征可以描述植被的冠层高度、密度等空间结构信息,这一优势可以弥补光学影像的不足,提高湿地植被的分类精度。此外,滨海湿地植被的空间分布与生态环境因子之间存在一定的响应关系,比如受土壤含盐量、含水量等环境因子的影响,湿地植被会呈现特殊的分布规律。因此,挖掘环境因子和滨海湿地植被空间分布之间的关系,有利于抑制植被空间变异性对分类结果产生的影响,提高分类精度。本文面向滨海湿地典型植被群落识别的需求,以黄河三角洲滨海湿地为研究区域,利用多源遥感数据与地面实测数据,通过提取环境因子,构建嵌入特征选择的分层分类方法,开展对滨海湿地植被群落的识别与分类研究。本文的研究重点是利用光学遥感影像反演环境因子,通过探究滨海湿地植被群落在环境因子上的适应性阈值,构建滨海湿地植被群落分层识别方法。本文主要的研究内容和结论如下:1、研究了光学和SAR数据融合的的滨海湿地地物粗分类算法。为了减弱农田等地物对后续湿地植被群落识别实验的影响,本文首先进行了研究区内湿地地物的粗分类,基于分类结果提取出了湿地植被群落区域,作为后续精细分类的基础。针对Sentinel-1A SAR数据及Sentinel-2A光学数据,分别提取不同的特征组成较为完备的多源遥感数据特征集,使用随机森林分类方法对滨海湿地地物进行粗分类。实验结果表明,与仅使用光学数据相比,引入SAR数据可以有效的提高湿地地物粗分类的精度。利用多源遥感影像数据对湿地地物粗分类的总体精度和Kappa系数达到90.65%和0.89。2、基于回归模型构建了滨海湿地环境因子提取方法,分析了环境因子对植被群落分布的影响。基于Landsat-8遥感影像和实测土壤含盐量数据,筛选对土壤含盐量敏感的光学特征波段构建土壤含盐量多元回归反演模型,得到湿地植被群落区域的土壤含盐量数据;基于Landsat-8遥感影像和实测土壤含水量数据,利用温度植被干旱指数（TVDI）建立土壤含水量反演模型,得到湿地植被群落区域的土壤含水量数据。研究表明,不同滨海湿地植被群落受到土壤含盐量和土壤含水量的共同作用,在空间分布与生存适应性阈值方面表现出了明显的差异。3、研究了滨海湿地植被群落空间分布与环境因子的相互关系,提出了融合多源遥感数据的滨海湿地植被群落分层识别方法。本文首先利用提取的环境因子构建特征空间,对研究区内4种典型植被群落（芦苇群落、柽柳群落、互花米草群落以及碱蓬群落）在特征空间中的分布规律进行了研究。经研究发现,滨海湿地植被在环境因子特征空间中呈现层次分布规律。因此,针对不同的分层,结合光学和SAR数据,进行特征选择和优化,建立了滨海湿地植被群落分层识别方法。实验结果表明,利用环境因子构建的多源遥感分层识别方法可以通过简化分类问题有效地解决特征冗余,提高植被群落的识别精度。本文提出的方法在黄河三角洲滨海湿地典型植被群落识别实验中取得了最高的分类精度,总体精度和Kappa系数达到89.53%和0.85。