大面积建筑密度制图可以提供土地开发强度和生态环境的基本信息,同时也是支持人居环境研究与规划的重要数据集。全球人类住区层(GHSL)是由欧盟联合研究中心(JRC)研制的一套全球尺度人类居住区遥感产品数据集,建筑密度产品作为GHSL的重要组成部分,目前已在美国和欧洲国家开展了初步的验证工作。然而,中国作为一个典型东亚国家,在建筑形式和城市布局上与美国、欧洲等地区有着较大的差异。因而有必要对GHSL数据集在中国等亚洲地区进行精度验证。本文利用我国20个典型城市的建筑轮廓矢量数据生成建筑密度栅格影像作为验证数据,在像元尺度(250m和1000m)上对GHSL遥感建筑密度产品开展精度评价的研究。结果表明,在选择的城市区域,1000m分辨率的GHSL建筑密度产品与验证数据集相关性最好,其相关系数R~2整体高于250m分辨率建筑物密度数据的验证结果。GHSL建筑密度产品在中国典型城市的精度评价结果表明我们需要研制新的建筑密度遥感估算产品。因此本文结合目前主流的机器学习算法,开展基于机器学习的城市建筑密度估算模型研究,选取中国具有代表性的三个城市:北京市、上海市和天津市作为研究对象,探讨建筑密度与城市发展水平和地理位置之间的关联,构建适用于中国地区的城市建筑密度估算模型。主要包括这几个方面:1)利用Google Earth Engine(GEE)对2016年所有Landsat8影像的光谱和纹理特征信息进行提取,与建筑轮廓矢量数据处理得到的栅格数据进行逐像元匹配,分别构建北京市、上海市和天津市2016年夏季和冬季六个训练集;并提取2016年及2018年夏季和冬季单时相遥感特征信息作为测试集。2)采用贝叶斯岭回归和XGBoost机器学习算法分别建立城市建筑密度估算模型,根据测试集学习得到研究区内建筑密度影像数据,并对预测结果与真实值进行对比分析。结果显示:(1)对不同特征组合进行建筑密度预测结果显示,利用影像的光谱特征信息可以得到更好的模型估算结果,并且利用各个城市独有训练集进行的预测结果都要优于单一训练集对所有城市预测结果;(2)对比贝叶斯岭回归和XGBoost机器学习算法,XGBoost对城市建筑密度估算的结果与真值之间的相关性更好;(3)对比夏季和冬季数据集,基于两种算法模型表现出夏季训练集预测结果优于冬季训练集预测结果。本研究不仅可以为中国地区GHSL建筑物密度产品的应用提供了基本的精度验证信息,而且为研制中国全境范围内的城市建筑密度制图产品打下了良好的基础。