精确的地表覆盖分类结果对促进生态环境的平衡和保护、土地资源利用结构的有效规划和调整有重要的意义。基于多时相遥感数据的地表覆盖分类，比基于单一时相数据的分类具有更好的精度表现。然而由于遥感卫星成像原理的固有限制，中高分辨率传感器的重复观测频次较低，影像数量较少，严重制约了基于时间序列影像数据的分类精度。时空融合技术是解决时序观测数据缺失的有效手段，但其在基于时序数据的分类研究中的应用尚缺乏充分验证。如何利用时空融合模型使基于时序数据地表覆盖分类获取更高的精度，是一个至关重要的问题。
　　针对此问题，本文以辽宁省葫芦岛市作为研究区，以Landsat-8和MOD09A1影像数据为主要遥感数据源，以STARFM（Spatial and Temporal Adaptive Reflence Fusion Model,STARFM）、ESTARFM（Enhanced Spatial and Temporal Adaptive Reflence Fusion Model，ESTARFM）及半物理时空融合模型为年度Landsat-8分辨率时间序列数据的生成手段，以随机森林（Random Forest，RF）、最大似然（Maximum Likelihood Classification，MLC）以及支持向量机（Support Vector Machine，SVM）三种方法作为基于时序数据分类的分类器，对不同时空融合模型与分类器的组合进行分类精度协同分析。探究了时空融合模型、时序数据集的数量和时间跨度对多种分类器精度的具体影响。研究结果表明：
　　（1）实验中对于多种时空融合模型重建数据对于不同分类器精度提升的幅度，大于时序数据分类精度的提升幅度。表明时空融合模型能够有效提升地表覆盖分类精度，且对分类器的选择并不敏感。但其对分类精度的提升幅度小于分类器本身。
　　（2）时空融合模型对于不同地物类别分类精度的提升幅度不同，其中对于水体、人工建筑类地物的分类精度提升相对较小，对于耕地、林地以及草地等地物类型分类精度提升相对较大。表明基于时序数据的地表覆盖分类对于精度的提升主要集中于植被等受季节影响较大的地物方面。
　　（3）ESTARFM模型重建数据结果质量最好。STARFM模型次之，半物理模型重建结果质量较为不佳。对应的分类结果中，ESTARFM模型重建数据对于各种分类器精度提升幅度最大，随后依次为STARFM模型与半物理模型。表明分类精度的提升幅度与时空融合模型重建数据的质量成正相关。
　　（4）在不断增加时序影像数量的情况下，多种分类器的分类精度均表现出先增加后趋于平稳的变化趋势。在基于时序数据的分类中，当时序数据的频率为每月一景，或其覆盖的时间范围为物候特征变化较大的时间段时，分类精度会达到相对最大值。