城市与人类的生活息息相关。随着我国城市化进程的不断发展,了解基本城市土地利用类型的分布情况对完善城市空间结构,城市历史文化的保护,城市风貌的塑造,居住社区和城市基础设施的建设等城市更新总体任务具有重要意义。本研究以重庆市中心城区城市建成区为研究区,基于多源数据进行基本城市土地利用类型分类方法研究,针对目前该领域存在的问题与不足,从确定最优城市地块分割方法,构建适用于山地城市的城市土地利用分类特征,确定最优基本城市土地利用类型分类方法3个方面进行了探讨。得到以下结论:首先通过对比路网分割,多尺度分割,LSMS分割,综合分割4种分割方法,确定了城市地块最优分割方法。将路网分割与LSMS分割相结合的综合分割方法有效解决了路网分割存在的郊区地块分割不足与LSMS分割带来的城市地块分割不规范的问题。综合分割得到的城市地块分割结果更趋近于现实街区的形态特征,是理想的城市地块分割方法。其次利用SEa TH算法对从多源数据中提取的分类特征进行优选,得到适用于山地城市基本城市土地利用类型分类的分类特征。一级与二级分类体系中,从POI,建筑物,可见光遥感数据中提取的分类特征分离度较高。合成孔径雷达,夜间灯光遥感,人口数量,腾讯位置数据随着分类体系的细化,分离度有所提高。但与其他数据相比依然存在差距。通过对优选分类特征的贡献度进行分析后发现,可见光遥感,POI,建筑物是山地城市基本城市土地利用类型分类中的主要数据。并且随着分类体系的细化,POI数据的作用有所增强。最后通过对比K-mean聚类分析,基于随机森林的监督分类,基于支持向量机监督分类与基于Tensorflow框架的深度学习分类这4种分类方法,K-mean聚类分析由于需要人为判读来确定地类类型,导致分类结果中存在较多的混淆情况。深度学习分类通过实验后发现,没有充分发挥POI,建筑物属性等分类特征的作用,在对光谱信息较为复杂多样的城市土地地类进行分类时效果不佳,对遥感影像的空间分辨率要求较高,导致分类结果不理想。随机森林与支持向量机相比,其分类结果的精度更高。随机森林的一级分类体系的总体分类精度为85.47%,Kappa系数为0.8,二级分类体系总体分类精度为79.34%,Kappa系数为0.77。通过对分类结果的比较,确定随机森林是最优分类方法。