土地覆被数据获取及其时空变化分析是监测各类自然资源和生态环境,掌握区域植被类型分布和研究土地覆被类型转化的重要手段。祁连山国家公园地形复杂、海拔落差大、垂直地带分异规律明显,研究云计算平台以及最优机器学习算法在山地区域进行长时间序列土地覆被分类的准确性,分析不同地物类型的时空变化对于国家公园自然资源管理和可持续发展具有重要指导意义。本文基于Google Earth Engine云计算平台,以祁连山国家公园为研究区,使用多年云量较少的Landsat 5、Landsat 7、Landsat 8、Sentinel-1、Sentinel-2影像及实地样本数据,结合地形、光谱、纹理、缨帽变换和物候特征,比较了随机森林、支持向量机、分类与回归树、梯度提升树四种机器学习方法及Sentinel-2、Landsat 8两种分辨率数据的土地覆被分类精度,最后选择精度、效果最好的随机森林算法完成1990、2000、2010年和2020年祁连山国家公园土地覆被分类,并利用分类后比较法对三十年来的土地覆被进行了变化分析。主要结论如下:（1）祁连山国家公园土地覆被分类结果:对比2020年Landsat 8数据的分类结果,随机森林、支持向量机、分类与回归树、梯度提升树四种算法的总体精度分别为89.7%、78.0%、81.4%、90.1%。随机森林和梯度提升树表现出了较好的分类精度,对比这两者的分类效果后发现随机森林分类算法对于耕地、祁连圆柏、裸地的边界、面积、整体性刻画更加准确,且其作为分类器,参数调整范围更加合理;此外Sentinel-2数据91.6%的分类精度要优于Landsat 8数据的89.7%。（2）分类特征优化:多种特征的组合可以提高土地覆被分类的精度,但同时特征过多也会存在冗余,降低分类精度,本研究利用J-M距离对特征集合进行了优化,使Sentinel-2数据进行土地覆被分类的37个特征降低至24个,分类总体精度从90.3%提升至91.6%,Landsat数据进行分类的35个特征降低至28个,总体精度从88.6%增加至89.7%,并且J-M距离显示海拔、物候特征在易混分地物类别,尤其是不同植被类型中表现出了很好的可分性。（3）基于光谱角距离的样本迁移:利用2020年样本迁移至2010年、2000年、1990年,样本总量分别下降了10.1%、13.7%、18.0%,而分类精度只下降了2.0%、4.2%、6.6%,总体精度分别达到了88.0%、86.0%、83.9%,表明此方法可以实现大面域时间序列样本的获取,同时精度不会受到太大的影响,避免了不同年份样本获取中目视解译、实地考察的繁琐过程,提高了分类效率。（4）祁连山国家公园1990-2020年十年一期的土地覆被时空分布及变化分析:整体上森林、灌丛主要分布于甘肃片区的肃南县、天祝县,而草地在甘肃、青海片区都大量分布,主要位于肃南县、祁连县、天峻县,1990-2020年森林减少了62.2 km2,灌丛增加了440.5 km2,草地则减少了794.7 km2。其中1990-2000年森林的面积减少了84.0 km~2,主要位于肃南县、天祝县,2000-2010年森林面积增加16.7 km2,主要位于民乐县及肃南县,2010-2020年森林面积增加5.1 km2,增加区域位于天祝县、门源县。灌丛面积在1990-2000年增加较多,2000-2020年基本平稳,草地的面积则呈现出波动的规律,1990年、2010年总面积分别为12858.5 km2、13690.2 km2,而2000年、2020年总面积分别为12363.0 km2、12063.8 km2。植被变化主要为森林、灌丛、草地之间的相互转化,变化区域集中在肃南县、天祝县、门源县。可以发现随着祁连山国家公园生态环境保护措施的大力实施,森林的面积从2000年开始逐渐增加,本次研究的结果为植被保护过程中应该关注的重点区域提供了参考,有助于合理的分配管理资源、制定保护方案。