土地覆盖分类是遥感应用的重要领域，土地覆盖分类数据是全球变化研究、可持续发展研究的重要数据源，也是区域生态环境研究的重要数据源。目前全球土地覆盖数据精度低，不能满足大区域研究的应用要求，而通过目视解译获取的大区域土地覆盖数据的精度更能满足实际应用的需求。土地覆盖自动分类方法的研究自遥感影像产生便已产生，新的自动分类方法也在小断被提出，但是这些新的方法的应用研究多数是在局地区域，其在大区域的适用性不得而知。此外，新方法和传统方法比较，往往精度较高，可新方法之间的比较研究则相对较少。文章根据2010年MODIS土地覆盖数据中国区域精度评价结果，同时顾及区域代表性，选择了八个研究区，分别是内蒙占自治区巴林左旗、黑龙江省大庆市、四川省大竹县、江苏省句容市、云南省双柏县、河南省太康县、福建省永安市、宁夏回族自治区中卫市，并依据全球和大区域土地覆盖分类研究以及国内关于自动分类方法在局地区域的应用研究，选择了最大似然法(MLC)、多元逻辑回归模型(LR)、逻辑回归树(LMT)和支持向量机(SVM)这四种自动分类方法，分区比较四种自动分类方法对OLI遥感数据的分类结果，并对影响分类结果的因素进行分析。　　(1)提出并实施了一种新的全面综合比较自动分类方法的方案，从研究区的选择、影像选择到分类参量的选择。通过2010年MODIS土地覆盖数据评价结果选择8个代表性的研究区，通过MODIS EVI时间序列曲线和EVIdiff时间序列曲线选择每一个研究区的可用影像，并利用光谱数据、NDVI、地形数据、纹理信息生成了五组分类参量组合，在这些条件下对自动分类方法进行比较。　　(2)比较了土地覆盖自动分类方法的参数搜索过程的差异性。通过粗格网搜索确定每一种方法的参数取值范围，在参数细格网搜索的过程中比较三种分类方法的精度变化规律，结果表明，三种方法中参数搜索的难易程度由易到难分别是LR、LMT、SVM，参数选择对分类结果影响由小到大分别是LR、LMT、SVM。　　(3)比较了土地覆盖自动分类方法的分类能力和对各种土地覆盖类型的识别能力。结果表明，SVM的总体分类优势不明显但区域优势明显，而MLC的分类能力最差。在所有的研究区，最易识别的土地覆盖类型分为两种，一种是光谱比较特殊的非植被类型，如水体、建设用地和裸地，另一种是在研究区分布面积小的植被类型。从各种方法不同土地覆盖类型的识别能力来看，SVM对草地、建设用地的识别能力较好，LR和LMT对林地的识别能力较好。　　(4)比较了每一种分类参量组合对应的验证精度。OLI第1波段和NDVI引起的精度变化幅度小于1％。地形数据在不同的研究区对同样土地覆盖类型的精度有相反的作用。地形数据提高了大竹县的验证精度，对应林地和耕地生产者精度的提高;地形数据降低了双柏县的验证精度，源于草地和林地生产者精度的降低;地形数据降低了永安市的验证精度，源于林地生产者精度的降低。　　(5)比较了各种一阶纹理窗口大小对应的四种分类方法的验证精度。结果表明，一阶纹理标准差可以提高小斑块地物的生产者精度，从而提高总体精度，适合的尺寸应根据小斑块地物的大小来确定。以小斑块地物为主要类型的区域采用一阶纹理标准差做分类参量可以提高分类精度。以大斑块地物为主的的区域，一阶纹理标准差不能提高总体精度。　　(6)分析了各研究区错分次数最多的像元及最优分类结果的主要错分类型。分类误差主要有两类，其一是各研究区主要类型间的误分，其二是分布面积小的类型干扰自动分类方法对主要类型的识别。各研究区主要的土地覆盖类型分布而积大，相互之间形成混合像元的概率增加，从而引起分类误差，而分布面积小的土地覆盖类型引起的误差则更可能是由于类型的分类参量相似引起。