农作物种植结构提取是农情信息监测的基础环节。针对传统人工调查统计的农作物信息获取方法主观性强、误差大,难以满足信息化时代下农业生产管理要求的现状,近些年来,遥感技术以其探测范围广、采集数据快等优势被逐渐应用于农作物种植结构提取等农业监测领域,其中GF-2遥感影像具备高空间分辨率、覆盖范围广和多波段等特点,成为农作物分类识别较为理想的遥感影像。本文以长春市双阳区为研究区,基于GF-2影像,开展农作物种植结构提取研究。首先选取研究区内代表性实验区,提取并构建初始特征空间,并探究最适合实验区的特征空间组合;结合特征空间和Mean Shift算法对影像进行分割,确定实验区最优分割尺度;基于随机森林算法和支持向量机算法分别建立面向像元和面向对象的农作物分类模型,对实验区内的玉米、水稻、水体、建筑、道路和其它（包括林地、草地、占比较低的农作物等）地物进行分类识别,并依据精度评价指标对比分析4种分类模型的效果,确定实验区的最优分类模型;最后利用最优分类模型提取2020年双阳区内主要农作物（玉米、水稻）种植结构。主要研究内容与成果如下:（1）通过特征空间优化,确定最适合研究区农作物分类的特征组合。本文利用融合后的GF-2遥感影像提取了与农作物分类相关的4种光谱特征、12种植被指数特征和8种纹理特征并构建了初始特征空间;结合随机森林算法对24种特征进行重要性评价,确定重要性最高的10个特征（光谱特征:Green、Red;植被指数特征:VIgreen、GI、NDVI、SRI、TCARI;纹理特征:Mean、Contrast、Entropy）为该地区最优特征组合。（2）对比不同参数的Mean Shift分割效果,确定研究区影像最优分割尺度。本文采用不同阈值的Mean Shift算法对实验区影像进行分割并对比分析效果,发现当带宽系数皆为12,阈值为2时,可以有效避免不同地物被混合为同一图斑的现象发生,降低同一地物的破碎程度,减少内部无效图斑,提高后续面向对象分类模型的精度和效率。（3）对比分析农作物分类模型,确定更适合双阳区的主要农作物种植结构提取方法。本文基于随机森林算法和支持向量机算法分别构建了面向像元和面向对象的分类模型对实验区农作物进行分类,发现在4种分类模型中,基于随机森林算法的分类结果精度最高,总体精度高达0.926,Kappa系数高达0.908。进一步基于地块进行验证,发现随机森林分类模型的分类精度依旧高于支持向量机分类模型,其中基于随机森林算法的面向对象分类模型精度较高,总体精度达到0.971,Kappa系数高达0.947。因此,确定基于随机森林算法的面向对象分类模型更适用于双阳区农作物种植结构提取。（4）基于随机森林算法面向对象分类模型的研究区主要农作物种植结构提取与分析。统计得到2020年长春市双阳区玉米种植面积约为685km~2,主要分布在双阳河两侧的丘陵附近,在部分区域中玉米与其它地类交错存在;水稻种植面积约为163km2,主要分布在地势低矮平缓的双阳河河谷地区及饮马河两岸附近,在支流区域也会有小面积种植;两种主要农作物的种植面积之和约占全区面积51%。本研究对于预测农业资源综合生产能力、宏观调控农作物种植结构和维持粮食生产区域平衡等具有一定的理论意义和实际参考价值。