全球气候变暖对北极海冰变化产生极大影响,而冰面特征是衡量北极海冰变化过程的重要参数,对它的有效监测是研究北极海冰对全球气候变化响应机制的重要依据。基于移动或者固定平台对海冰进行数字摄影获取冰面特征是目前常用的冰情观测技术,然而传统人工处理方法费时费力,同时大部分的无监督图像处理方法存在精度不够和适用范围小的局限性,因此其技术难点在于如何自动化的处理批量图像从而高效提取冰面特征。虽然卫星遥感仍是目前获取北极大尺度冰情的重要方式,但是受众多因素影响仍需要现场观测数据的补充和验证。因此,现场拍摄的数字海冰图像可以为卫星遥感提供“冰面真相”。本文介绍了一种基于对象的机器学习方法,并讨论了其在船基海冰数字图像的冰面特征自动化提取中的适用性,重点包括随机森林分类算法和分水岭变换。其中随机森林分类的核心在于个性化训练集的创建,首先在预处理分类后的图像中选取特征图像训练,结合分水岭分割和随机森林分类进行人工训练,创建个性化训练集。然后利用分水岭变换将待处理的目标图像分割出感兴趣的区域,基于创建好的个性化训练集利用随机森林分类器对分割后的图像中的对象进行分类,此时即可输出具有颜色分类标记的RGB图像。最后,将标记的图像进行几何修正,计算不同颜色标记的各表面特征真实的面积分数。将该自动冰面特征检测算法应用于2018年中国北极科学考察中获得的船基倾斜摄影海冰图像数据集,成功提取了冰/雪、融池与开阔水域等不同冰面特征,并获得了该航次北极夏季冰面特征的频率和空间分布。自动处理结果与传统人工处理方法得到的结果相关性高,海冰密集度分布频率以0-10%和90-100%两个区间居多。融池覆盖率大都在0-15%以内。通过按照纬度分段对走航数据统计分析,发现自动处理和人工处理海冰密集度均表现出了显著的随纬度升高而线性增加的趋势,与纬度之间的相关系数分别为0.88和0.91,显著性检验置信度均为95%,梯度分别为6.33%·deg-1和6.90%·deg-1。融池覆盖率的最大值出现在84°N-86°N未表现出显著的随纬度升高而线性增加的趋势,但是两种方法融池覆盖率随纬度变化的趋势一致。将该算法提取的海冰密集度与动微波遥感海冰密集度产品对比发现吻合良好,但卫星遥感难以反映低海冰密集度（SIC＜10%）的区域。为了提供最优的北极冰区导航参考,对被动微波遥感海冰密集度和移动平均船基观测密集度的一致性进行了排序,由高到低排序分别为基于ASI算法6.25 km、3.125 km空间分辨率的AMSR-2数据、基于ASC、DSC的DPR算法10 km空间分辨率的AMSR-2数据、基于NT2算法25 km、12.5 km空间分辨率的AMSR-2数据和基于NT算法25 km空间分辨率的SSMIS数据。本文提出的方法可以应用于高分辨率的北极海冰影像数据的分析处理,以获得更详细的海冰密集度和融池覆盖率的空间分布,为卫星遥感反演算法的改进提供有效地面验证。