地膜覆盖技术为我国旱区农业生产做出了重大贡献,同时也引发了严重的农田生态环境问题。快速、准确地获取地膜覆盖农田的空间分布信息对保障我国粮食安全和农业可持续发展具有重要意义。为了建立地膜覆盖农田遥感识别技术体系,本文选取甘肃省定西市安定区团结镇和陕西省咸阳市长武县作为黄土高原地膜覆盖旱作农业代表性区域,基于Google Earth Engine云平台和Landsat-8卫星地表反射率数据集,采用特征重要性分析和分类精度最优法优选纹理特征,利用参数优化后的随机森林算法提取地膜覆盖农田区域并选出最优特征组合,最后通过对比随机森林、支持向量机、决策树和最小距离分类4种算法的分类结果和Mc Nemar’s检验来评价不同算法的分类性能。本文实现了地形复杂地区地膜覆盖农田空间分布较为精准的识别,可为进一步研究地膜覆盖栽培技术的空间差异和可持续性提供理论依据和技术支持。研究得到如下主要结论:（1）Landsat-8卫星能够为黄土高原地膜覆盖农田识别提供有效的数据源。采用GEE平台提供的Landsat-8卫星地表反射率数据集提取地膜覆盖农田区域,结果表明不同特征组合下分类的总体精度均超过80%。提取结果显示团结镇的地膜覆盖农田主要集中分布在北部和西南部,在中部、东部分布较为分散;长武县的地膜覆盖农田在西北部和中部集中分布,在东部沟壑区分布相对稀疏,而在南部山区较少分布。从空间范围来看,团结镇的地膜覆盖农田总面积约为18.05 km2,占团结镇总面积的13.42%,其中白色地膜和黑色地膜的面积分别约为7.79 km2和10.26 km2;长武县的地膜覆盖农田总面积约为3.48 km2,占长武县总面积的0.61%。（2）对随机森林算法的关键参数进行优化能够大幅提高遥感影像的分类精度。在非关键参数保持默认的条件下,在一定阈值范围内存在决策树数量T和节点分裂特征个数M的最佳参数组合,能够在运算效率可承受范围内使袋外误差最小。因此,在利用随机森林算法实现影像分类之前,应对其关键参数进行优化,以获取更为可靠的分类结果。（3）基于优选纹理特征的分类性能优于基于全部纹理特征的分类,且相比其他方案,基于“光谱+指数+优选纹理”相结合特征的识别结果最佳。基于“光谱+指数+优选纹理”相结合特征,团结镇和长武县分类的总体精度分别达到95.05%和96.77%,比基于单一特征方案的总体精度分别提高2.48%-14.55%和3.22%-12.50%不等,同时也比“光谱+指数”相结合特征方案分别高出1.24%和2.01%,比“光谱+指数+全部纹理”相结合特征方案分别高出0.62%和3.62%。因此,在实际应用中建议采用特征优化和多特征相结合的方法进行地膜覆盖农田识别。（4）随机森林算法较于支持向量机、决策树和最小距离分类3种算法具有明显优势。团结镇地物分类研究中随机森林算法的总体精度较其它3种算法分别高出3.10%、7.74%和50.78%;长武县地物分类研究中随机森林算法的总体精度较其它3种算法分别高出3.22%、9.67%和16.53%。结合Mc Nemar’s检验结果,团结镇地物分类研究中随机森林算法与其它3种算法间的Z值分别为2.89、5.00和12.88;而长武县地物分类研究中随机森林算法与其它3种算法间的Z值分别为2.31、4.71和6.40,表明随机森林算法与其它算法之间的分类精度存在显著性差异。