遥感图像中混合像元普遍存在,特别是空间分辨率比较低的遥感影像,尤其地面地物分布比较复杂的区域更是如此。传统分类方法对于低空间分辨率的影像进行分类比较困难,具有很大的不确定性,因此必须进行混合像元分解。目前混合像元分解比较成熟的方法是线性与非线性光谱混合模型。混合像元分解是多光谱图像处理技术的研究热点和难点之一,混合像元问题的解决有助于实现高精度分类和子像元目标探测,为更加充分地利用光谱影像提供技术支撑。MODIS遥感数据具有很高的光谱辐射精度,以及成本低、覆盖面积广、获取容易、周期短等数据特征,可以实现全覆盖大尺度区域森林类型信息快速提取,但由于其空间分辨率较低,遥感数据中存在混合像元,利用混合像元分解模型进行分解能够得到较好的分类结果。混合像元分解的端元组分直接影响分类的精度,因此本研究利用决策树分类模型改进端元提纯,分析各地物的MODIS时间序列植被指数变化规律,找出各地物的物候变化规律,利用决策树模型分类的结果进行端元组分的提纯,最后进行混合像元分解,并分别用森林资源连续清查数据、株洲的TM分类结果及森林类型的总体面积三种方法进行精度检验。旨在寻找一种基于MODIS数据的森林类型信息快速提取的最佳方法。本研究得到了客观的实验结果,达到了预期的目标,为MODIS数据的森林类型信息快速提取提供重要的技术支持。主要的研究结论如下：(1)利用MODIS遥感数据具有很高的光谱辐射精度,可以实现全覆盖大尺度区域森林类型信息快速提取,从而为大尺度区域的森林资源监测提供了一种新的有益的尝试方法,可为林业决策部门提供重要的信息支持。(2)对MODIS时间序列的植被指数NDVI、EVI进行分析,得出了各地物的植被指数变化规律,找出了适合决策树分类的阈值,及适合各地物的决策树分类模型数据为NDVl分别为第2、8、9、15、16、18期,EVI的第9、11、16期。(3)对MODIS数据端元提纯方法进行改进,利用决策树分类模型进行一步端元提纯。决策树分类方法降低了对训练样本的依赖,避免了“同物异谱、同谱异物”现象的影响,且该方法明显高于非监督分类和监督分类的精度。本研究利用决策树分类技术对混合像元的端元进行进一步提纯,得到了比较理想的分类效果,决策树模型分类总体精度达85.1%。(4)分别用实测样地点数据、株洲的TM分类结果及森林类型的总体面积三种方法进行精度检验,不带约束的线性分解结果总体精度分别为85.8%、85.9%、87.4%,带约束的线性分解结果总体精度分别为85.1%、84.7%、88.4%,非线性分解结果总体精度分别为64.2%、64.7%、67.5%,最大似然法分类结果总体精度分别为72.7%、73.8%、79.7%。(5)无论采用哪种方法进行精度检验,其结果表明：分类效果最好的线性混合像元分解的结果,其次是最大似然分类的结果,最差的是非线性混合像元分解的结果。不带约束的线性分解及带约束的线性分解的RMS最大值分别为0.2685、0.2637,RMS最小值分别为0、0.0038,说明线性光谱混合分解较为成功。无论哪种方法进行精度检验,且各分类方法的结果精度都十分相近,因而本研究的结果具有较高的可靠性。(6)对于MODIS影像而言,由不同地物类型组成的混合像元经过分解后,虽然单个像元的分解精度不高,但与传统的非监督及监督分类方法相比较而言,分类进入了像元内部,提高了低分辨率遥感数据的分类精度,整幅影像的分类精度要高于传统的分类方法,且在混合像元分解中,线性混合像元分解的精度明显优于非线性混合像元分解,有助于今后研究中提高MODIS遥感数据的利用率。