获取精细的土地利用信息对政府决策和科学研究都具有十分重要的意义。随着遥感传感器与相关算法的不断发展,小区域与地块尺度的土地利用分类产品的获取成为可能。本文以南京真实性检验站所在地——溧阳上兴镇为研究区分别开展小区域和地块尺度土地利用分类研究。影像数据分别是多种空间尺度的高分系列卫星遥感影像和近地面无人机高光谱遥感影像。本文充分利用多源遥感影像的空间尺度异质性,并加入多种遥感特征,采用三种机器学习算法实现研究区域内全要素精细分类,并引入宏观和微观评价指标对分类结果进行验证,探究空间尺度与分类算法对土地利用分类的影响。三种算法分别是全连接神经网络（Fully Connected Neural Network,简写为FCN;又称深度神经网络,Dense Neural Network,简写为DNN）和两种三维卷积神经网络（Hamida式三维卷积神经网络Li式三维卷积神经网络）。本文主要得出以下几点结论:1.在乡镇级小区域尺度高分卫星遥感影像土地利用分类的研究中,一方面,5种影像空间尺度中总体精度和类别精度最高的是8m×8m分辨率的高分一号多光谱高分（GF-1 PMS）影像;另一方面,五种空间尺度除1m×1m分辨率的高分二号高分（GF-2 PMS）影像外,均在全连接神经网络（DNN）算法下取得最优的效果。因此,对于多尺度高分系列卫星遥感影像地土地利用分类而言,GF-1 PMS 8m×8m分辨率的影像尺度最优,DNN分类算法最为适宜。2.在地块尺度无人机高光谱影像的土地利用分类研究中,三种分类方法均能实现研究区域全要素分类,其中DNN算法整体精度和Kappa系数更好,分类准确性更高。但是在类别较难区分的情况下,三种算法分类结果都不同程度地出现了椒盐效应。3.统一两级实验区分类体系,联合分析无人机与卫星影像分类结果发现,无人机影像在地块尺度精细土地利用分类的优势明显。