在加快城市化进程和共建生态环境文明背景下,对土地覆盖类型现状和变化信息的获取至关重要。近些年来随着人工智能的深入发展,越来越多的学者将机器学习算法应用于地物类型的提取,但是基于单一特征的提取不可避免地存在“同物异谱”和“同谱异物”现象,而且地物之间存在千丝万缕的联系,基于单一地物进行时间序列的变化分析略显片面。因此,考虑到地物之间相互依存的关系,本文以北京市通州区为研究对象,以Landsat影像为实验数据,致力于探究基于多特征融合支持向量机的土地覆盖类型提取,并依据分类结果进行综合分析,取得的成果如下:(1)首次利用高斯差分法完成影像纹理特征的提取工作。在理论上分析了不同纹理提取方法的优缺点,为避免因波段间相关性造成的数据冗余,利用OIF(最佳指数法)选取4、5、7组合波段进行纹理提取,并通过与灰度共生矩阵法、Gabor滤波器法等常规方法进行比较,验证高斯差分法的可行性。最终的分类效果和多方面精度评价,皆反映出高斯差分法在影像的纹理提取方面具有一定的适用性。(2)构建了三种基于多特征融合支持向量机的分类模型,并进行综合评价。利用混淆矩阵对分类结果进行总体精度、Kappa系数等定量评价,结合研究区2016年BJ-2影像的土地覆盖成果图和实地调查资料进行定性评价,并且对三种模型的执行效率进行时间记录。综合各方面考虑,高斯差分法和归一化差异指数组成的多特征融合支持向量机模型分类精度最高,并以此多特征融合支持向量机模型完成1990-2016年共6期影像的土地覆盖类型分类。(3)对多特征融合支持向量机模型提取的数据信息进行综合分析,拟合不同地物类型的动态变化过程进而预测未来的波动趋势。基于像元尺度统计计算出各地物的占地情况,结合数据具有迟滞、单向变化及最终平衡的特点,选择出三种较佳的数学模型即Boltzmann、Logistic和Langevin模型,进而完成对提取地物动态变化情况的拟合。依据相关性最大和误差最小原则筛选出最优模型为Boltzmann模型,并依据此模型对2016-2025年期间整体地物覆盖类型的变化趋势进行了预测。