遥感监测技术被认为是快速准确获取城市土地覆盖/利用信息的最有力手段,能够为城市用地监测提供稳定的数据支持。得益于机器学习方法的迅速发展,遥感影像信息提取实现了从传统人工目视解译到计算机自动化的转变,然而训练样本的采集仍然是费时费力的过程,且遥感影像更适合表达土地覆盖信息,对于土地利用的识别效果较差。众源地理数据的出现为传统单纯利用遥感技术研究城市土地覆盖/利用问题提供了新的解决方案。一方面,以OSM数据为代表的自发地理信息生产速度快,周期短,且具有地物类别标记,可以部分或者完全替代专业人员样本实地采集工作,缩短城市土地覆盖制图的周期;另一方面,众源地理数据中的社会感知数据可以提供城市居民活动的时空规律,这种人文特征可以有效解决单纯利用遥感影像的光谱和空间特征进行城市土地利用信息提取的局限性。本文立足土地覆盖在土地利用研究中的基础作用,联合高分辨率遥感影像以及两种典型的众源地理数据——OSM数据和社会感知数据,先后开展城市地区的土地覆盖和土地利用研究。分别从基于OSM数据的土地覆盖样本构建与影像分类方法、土地利用多特征表达和基于多特征的城市土地利用精细分类等方面开展研究,构建完整的城市土地覆盖/利用研究框架,并以武汉市三环以内区域（中央活动区）为实验区域进行验证,探讨专业的测绘遥感数据与非专业的众源地理数据相互配合在城市规划与管理研究中的应用。本文的研究内容如下:（1）提出一种基于OSM数据的土地覆盖样本构建方法,从城市土地覆盖的实际出发,建立OSM地物类别与所需土地覆盖类别两种体系的对应关系,从OSM数据中提取相关样本标记;从空间和属性两方面分析OSM数据质量问题的产生原因,利用形态学腐蚀方法消除地物边界不匹配可能引起的空间错误,采用多种遥感指数的阈值筛选方法去除相应类别的错误标记样本,生成准确的土地覆盖训练样本。（2）高分辨率遥感影像中的同物异谱和异物同谱现象,为单纯利用光谱特征的影像分类带来困难,使用空间特征可以提高地物在特征空间的可分性。基于高分辨率遥感影像的空间结构特点,联合运用光谱与形态学属性剖面特征进行地物表达,通过影像分类得到城市土地覆盖图并进行了精度验证。（3）利用OSM道路网生成地块作为土地利用的基础研究单元,从物理、景观、人文三方面建立了识别城市土地利用信息的多特征表达体系。首先,从高分辨率遥感影像上提取地块的光谱统计特征以及纹理特征,形成描述土地利用的物理特征;其次,城市土地覆盖是进行土地利用研究的基础工作,在研究（2）生成的土地覆盖图基础上,引入景观指数描述土地利用单元中土地覆盖组成结构的空间异质性,提取描述土地利用单元的景观特征;最后,众源地理数据中的社会感知数据可以反映不同公众群体的时空活动变化规律,本文运用一阶差分时间序列统计方法以及最具辨别性子序列shapelets描述人口活动变化的时序特征,提取土地利用单元中的人文特征。（4）传统土地利用分类研究中类别设置粗略笼统,本文发挥土地利用多特征表达的优势,建立精细化的土地利用分类体系。针对不均衡高维小样本的特点,探讨样本的均衡处理方法,选择适合高维小样本的支持向量机和随机森林两种分类器进行分类,研究利用随机森林进行特征重要性评价方法,提出了分类结果的不确定性计算方法,对结果不确定性高的土地利用单元需要后期进行实地验证。（5）以武汉市中央活动区作为实验区域,利用高分2号遥感影像数据、OSM数据以及腾讯用户位置大数据,先后进行武汉市中央活动区的土地覆盖和土地利用信息提取。在土地覆盖研究中,将本文提出的方法分别与使用未纯化的OSM原始样本、未使用空间特征、OSM道路作为训练样本策略、面向对象方法等情况下的土地覆盖分类结果进行比较,并与多种现有方法进行对比验证;在土地利用研究中,分析武汉市人口活跃度空间变化规律,针对高维小样本存在的过拟合问题,进行不同样本均衡方法的对比实验,探索物理、景观、人文三种特征不同组合对分类结果的影响,并利用随机森林分类器的特性分析不同特征的重要性,评价土地利用单元的分类结果的不确定性,最后对武汉市的土地利用空间分布进行全面分析和评价。