土地覆盖分类能直观地反映一个地区自然和人文发展现状,是当前遥感影像研究的重要课题。随着遥感采集技术的进步,多源多时相遥感影像数据的获取也越来越便捷。传统的光学遥感由于天气和光照等外在因素的制约,在应用上受到一定程度的影响。合成孔径雷达属于主动遥感的范畴,能够全天时全天候工作,作为当前研究遥感图像的热点之一,利用SAR影像进行分类研究受到高度重视。本文以南京附近为研究区,采用欧空局哨兵一号和哨兵二号各6期影像,基于SAR的极化特征、后向散射系数、干涉特征和光学影像的光谱特征、归一化差分植被指数、纹理特征,采用随机森林算法对众多特征变量进行优化筛选,最后将筛选出的特征变量组合放入随机森林分类器进行分类及精度评定,研究多源遥感影像特征对土地覆盖分类应用的可行性。本文主要研究内容及结论如下:（1）基于SAR影像的时序特征分析。针对六类地物,将单时相SAR影像的后向散射系数对比时序后向散射系数和相干系数进行理论分析,并通过数理统计中的判别分析来验证理论分析的准确程度。单时相SAR影像数据中,耕地、园林地和湿地等植被类地物的后向散射系数取值相似,区别较小,仅凭单时相的后向散射系数无法有效进行区分,加入时序SAR影像的后向散射系数及相干系数进行分类能显著提高SAR影像分类精度。（2）基于多源遥感影像特征的优化筛选。提取光学影像中地物的光谱信息、时序NDVI及纹理特征信息,SAR影像中的协方差矩阵及极化分解后的极化特征,对其进行各类地物的可分性理论分析,并采用随机森林算法对所有特征进行特征重要性排序,根据特征重要性得分对高维特征变量空间进行降维,筛选出排名靠前的特征变量参与最终影像分类。SAR影像时序后向散射系数、相干系数和极化特征,光学影像的光谱特征、时序NDVI和纹理特征,参与SAR和光学影像协同分类,能达到88.4%的总体精度,相较于单时相SAR影像分类,精度提升9.1%,有力证明SAR和光学影像信息互补的理论分析较为可靠。（3）基于多源时序遥感影像的分类研究。采用随机森林算法对研究区影像分别进行四种方法分类:单时相SAR影像分类,时序SAR影像分类,光学特征变量参与分类及特征变量筛选优化后分类,最后结合参考影像及实地数据对四种方法进行精度评价。随机森林算法对SAR影像和光学影像各类特征进行筛选后,光学影像的纹理特征在参与多源遥感影像分类时表现突出,经过波段计算后的SAR极化影像特征α/A,在参与分类时的重要性也排在前列,与理论分析一致,表明随机森林算法对多源影像特征进行筛选优化的理论是可行的,能够有效提高分类器的性能。使用随机森林优化输入变量后获得最高总体精度92.5%,分类精度较单时相SAR影像分类提高13.2%,体现了光学影像和SAR影像结合分类的优势;同时相较于将特征变量全部参与分类的方法,特征筛选后的结果更符合实际地物分布,分类细节更加突出。