土地利用/土地覆被变化已成为当前全球环境变化研究的热点领域之一。中等分辨率的美国陆地资源卫星数据由于其具有连续的档案的数据提供因而成为全球及区域尺度上土地利用/土地覆被重要的遥感数据源。在土地利用类型多样、垂直差异性明显、空间异质性高的复杂地形区,很难获取较高的土地利用分类精度。研究随机森林方法对复杂地形区的适应性,对复杂地形下遥感分类准确性的提高以及探索复杂地形区湟水流域土地利用/土地覆被时空变化规律具有重要意义。本文以高海拔、地形复杂破碎的湟水流域为研究区,基于1999年Landsat7ETM+、2011年Landsat5TM以及2017年Landsat8OLI影像,结合光谱、纹理、地形信息,采用随机森林方法对湟水流域三期遥感影像分区进行土地利用/土地覆被信息提取及精度评价,最后选择分类后比较的变化检测方法对湟水流域近18年来土地利用/土地覆被变化进行动态分析。主要结论如下:(1)采用随机森林算法对1999年Landsat7 ETM+、2011年Landsat 5TM、2017年Landsat 8OLI三期湟水流域遥感影像多光谱数据的脑山区、浅山区、川水区进行土地利用/土地覆被信息提取,研究表明:1999年脑山区、浅山区、川水区的总体精度分别达到了88.53%、87.05%和84.70%,kappa系数分别为0.85、0.84和0.82;2011年脑山区、浅山区、川水区的总体精度分别达到88.50%、87.54%和85.04%,Kappa系数分别为0.85、0.84和0.82;2017年脑山区、浅山区、川水区的总体分类精度分别达到了89.17%、87.42%、85.43%,Kappa分别为0.86、0.84、0.83;以上分类结果表明,随机森林方法在对湟水流域土地利用分类时,可以得到较好的分类精度,进而表明了随机森林算法在复杂地形区土地分类的适用性。(2)对比随机森林算法下的脑山区、浅山区、川水区1999年与2017年融合与未融合影像的分类精度,得到1999年融合后脑山区、浅山区、川水区总体精度分别为88.83%、87.45%、85.01%,融合后的影像分类精度比未融合影像的分类精度分别提高了0.3%、0.4%和0.31%;2017年融合后脑山区、浅山区、川水区总体精度分别为90.01%、87.88%、85.80%,融合影像的分类精度比未融合影像的分类精度分别提高了0.84%、0.46%和0.37%。表明空间分辨率较高的影像光谱信息与纹理信息更为明显,使得分类精度明显提高,同时也证明了分辨率较高的影像可以更好的提取复杂地形区土地利用/土地覆被信息。(3)本文在构建随机森林模型时,定量的分析了各地理分区决策树的数目和特征变量,分别构建了适应于三个地理分区的随机森林模型,并采用OOB精度评估各地理分区构建的随机森林模型的有效性。研究发现,在三个地理分区均以500棵决策树构建的随机森林模型OOB精度最优。(4)湟水流域各地理分区的土地利用/土地覆被变化检测表明,从1999年到2017年的近18年期间,脑山区土地利用类型中,草地和水域的面积分别减少了88.86km~2和0.99km~2,林地和未利用土地的面积则分别增加了15.92km~2和73.93km~2,草地和水域土地利用类型面积的年变化率较大分别为0.11%和0.43%。浅山区的土地利用类型中,草地与城乡工矿居住用地的面积变化较为明显,草地面积减少了94.93km~2,城乡工矿居民用地面积增加了115.17km~2,其年变化率较大为10.28%,耕地的面积减少了53.59km~2,而林地的面积增加了33.26km~2。川水区的土地利用类型中,耕地的面积减少较为明显,减少了528.3km~2,草地和城乡工矿居住用地的面积分别增加了288.67km~2和237.32km~2,水域与未利用土地的变化相对较稳定分别减少了3.41km~2和2.6km~2,其中城乡工矿居住用地和水域的年变化率较大分别为7.49%和1.25%。