土地资源的利用和保护离不开其生态本底及时空变迁的研究,而长时间序列遥感影像分类是研究区域自然资源和土地利用时空变迁的重要基础。传统的区域长时序遥感影像分类,多采用目视解译,逐景影像选取样本进行分类,选用的样本复用性较低,需要的人工工作较为繁复。而迁移学习作为一种能够将已有知识应用到不同任务中的机器学习方法,可以实现遥感影像样本特征的重复利用,充分发挥人工选择样本的价值,减少繁复的人工工作。但样本的特征信息在长时间跨度、不同物候乃至不同卫星的遥感影像中迁移复用以及迁移过程中的影响因素,目前缺少相关研究。本文使用Landsat长时序影像和Sentinel-2A影像,引入迁移学习的理论,探究样本特征在长时间跨度、不同卫星传感器影像间的迁移应用效果,以减少长时序土地利用分类过程中的人工工作。研究主要包括:（1）同源卫星长时序遥感影像迁移分类方法。使用Landsat长时序遥感影像,基于直推式迁移学习的方法,利用SVM和随机森林模型,将单景影像的样本迁移应用到20年跨度的长时间序列影像中进行分类。根据不同物候、不同时间跨度下迁移实验的结果,归纳了物候和时间跨度的影响范围,给出了迁移策略,即同卫星长时序影像进行样本迁移复用时,需要保证目标影像与源影像的季相相差一个月以内、时间跨度十年以内,样本特征迁移应用能够达到80%左右的分类精度。（2）一致性处理后的同源卫星影像迁移分类效果。对于Landsat长时序影像使用伪不变目标方法进行相对辐射校正,实现多景卫星影像的一致性处理。利用IR-MAD算法选取不变目标,使用最小二乘法拟合影像之间的线性关系,对多景影像进行一致性处理。对一致性处理后影像进行迁移实验,与处理前迁移实验结果对比,同卫星影像的一致性处理能够提高1%～4%的分类精度,总体精度最高可达85%。（3）不同源卫星影像间的迁移分类方法。对不同卫星、传感器影像进行一致性处理增强辐射一致性,并进行迁移实验。实现样本在不同卫星影像之间的迁移应用。得到了不同卫星影像进行样本的迁移复用时,必须对数据进行一致性处理的结论。保证季相相差半月以内且年份相近,分类精度能够达到78%。10m分辨率Sentinel-2A影像可以作为补充数据源,且能够增加分类结果的细节,比30m分辨率Landsat影像更加准确地提取了建设用地、耕地等地物。根据上述迁移实验及结果,对所探究的影响因素及范围进行分析,得到相应的迁移分类策略,为长时序影像分类中解决减少人工干预、提高样本的复用率的问题提供了参考和借鉴。