针对高海拔复杂地形区地貌类型复杂、多样,沟壑纵横、地形破碎等特点,研究快速、有效的土地利用/土地覆被分类方法对土地利用/土地覆被信息获取及更新是非常重要的。以位于黄土高原向青藏高原过渡带的青海湟水流域为研究区域,基于Landsat 8 OLI影像数据、DEM数据,并结合各种专题特征,在对研究区进行地理分区的基础上,采用人工神经网络、决策树、支持向量机和随机森林4种机器学习方法进行土地利用/土地覆被信息提取并进行精度评价,探索适合于复杂地形区最优的分类方法。研究结果表明,随机森林和决策树的分类精度明显高于支持向量机和人工神经网络。其中,随机森林分类方法的精度最高,研究区整体分类精度高达85.65%,Kappa系数高达0.84。在分类效率方面,随机森林与决策树分类器的运行速度高于支持向量机与人工神经网络分类器。但决策树分类方法在制定分类规则时耗时耗力,因此随机森林方法更具优势。综合分类精度和分类效率两个方面,随机森林方法更适合于复杂地形区的土地利用/土地覆被分类。此外,脑山区随机森林方法的总体分类精度和Kappa系数分别为87.27%和0.84,浅山区随机森林方法的总体分类精度和Kappa系数分别为85.94%和0.83,川水区随机森林方法的总体分类精度和Kappa系数分别为84.58%和0.82,均达到了较优的分类效果。证实了地理分区对复杂地形区遥感影像分类具有积极作用。并且对比同种方法下不同地理分区的分类精度,均呈现出脑山区>浅山区>川水区的趋势,参考各地理分区土地利用/土地覆被类型分布特点可以发现,研究区复杂程度是影响分类精度的重要因素。研究中采用NDVI、MNDWI、NDBI、DEM、Aspect等特征参数,针对不同地理分区进行选择并应用于分类,可以获得较好的分类效果。在4种机器学习分类方法中,随机森林无论在分类精度还是在分类速度方面表现都较为优异,说明随机森林相比其他方法在处理多维数据时更具有优势,体现了随机森林高精度、高效率和稳定性强等特点。在上述分类基础上,选择随机森林分类方法对Landsat 8全色与多光谱影像融合数据进行进一步的分类研究,总体分类精度达到86.49%,Kappa系数达0.85。脑山区、浅山区和川水区的融合后影像比未融合影像的总体分类精度分别提高了0.46%、0.94%和0.96%,说明具有较高分辨率的融合后影像在细节表达上更为优秀,这种优势在土地利用/土地覆被类型分布较复杂的地区表现更为突出。以上均说明了通过对Landsat 8遥感数据进行波段融合以提高影像分辨率,是在复杂地形区土地利用/土地覆被分类中提高分类精度的有效方式。通过以上分类研究发现,综合数据融合、地理分区和选择合适的特征参数等手段,利用随机森林方法可以在湟水流域遥感影像分类中取得较优分类效果。