土地利用变化体现地球表面资源的开发和利用程度,遥感影像是获取土地利用信息的数据源。通过遥感影像的解译快速获取大面积区域的土地利用现状,对掌握土地变化情况具有重要意义。目前遥感技术蓬勃发展,已积累了长时序的卫星影像,时间序列数据在土地利用分类中可以提供更多与时间相关的特性。同时,面向对象分类方法将分类目标由单一像素转化为均质对象,能生成更符合实际情况的多层次的地物边界,因此基于时间序列影像数据开展面向对象分类对土地利用类型解译具有重要意义。为构建适合具有黄土高原丘陵沟壑区典型特征的吴起县的面向对象分类方法,本文首先以Landsat 8 OLI和MODIS13Q1影像为数据源,提取多源NDVI（Normalized Difference Vegetation Index）数据,采用时空融合算法融合生成2018年23期具备高时空分辨率的NDVI时序数据;利用滤波函数对NDVI时序数据平滑,对比分析不同滤波函数的平滑效果,筛选出最适滤波算法;利用滤波后的NDVI时序数据提取物候影像,为分类提供更多的时间序列信息。其次构建了包含光谱、形状、纹理、遥感指数、地形、物候等多维特征体系,通过特征优选,筛选出最优特征组合。然后确定了面向对象分类中的关键参数,分析了不同波段的贡献程度,采用控制变量法确定了适合研究区特点的形状标准、紧致度因子等分割参数,构建出多尺度分割分类层次,利用贝叶斯分类（Bayes）、CART决策树分类（CART）、随机森林分类（Random Forest,RF）、支持向量机（Support Vector Machine,SVM）四种分类方法实现了不同地物的分层提取,最终构建出适合黄土高原丘陵沟壑区典型特征的面向对象分类方法。主要结论如下:（1）融合后的NDVI时序数据保留了Landsat和MODIS影像时空分辨率特点。Double Logistic滤波算法更适用于吴起县地形特点,平滑重构效果较好。（2）在特征权重评估、搜索优选、计算相关系数的基础上,实现了特征空间的降维,构建了涵盖光谱、形状、纹理、遥感指数、地形、物候的综合特征体系。（3）在增强近红外波段参与分割的权重后,确定了形状标准0.7,紧致度因子0.6等关键分割参数,形成了“分割-分类-合并-分割-分类”的多层次分类规则,构建了耕地-水域-林地、草地、建设用地的三层分类体系,最终确定了不同地物的最优分割尺度:耕地、水域分别为115、95,林地、草地、建设用地为65。（4）确定了RF分类是更适合吴起县特点的面向对象机器学习方法,总体分类精度达到92.13%,Kappa系数达到0.90。Bayes分类对建设用地、水域、林地的效果较好;CART分类对林地、水域、草地区分度较高;RF分类中耕地、林地、草地、建设用地、水域均达到较高的制图精度;SVM分类在水域、耕地提取表现较好。