目前,湿地资源作为一种与森林、海洋生态系统同样地位的重要自然资源,它的变化和可持续保护利用是地球科学核心内容的重要部分。利用遥感技术在湿地区域进行监测成为越来越重要的手段,可以解决湿地研究中一些科学问题,如湿地类型信息、湿地景观信息、湿地变化特征等。通过这些研究可以推动湿地区域生态资源保护和发展,从而保障政府对湿地保护工程和保护区建设的科学、正确的决策。研究选择东洞庭湖作为主要的研究区,以GF-1遥感影像为数据源,对所采用的遥感数据源进行预处理,再进行最佳波段组合、最佳融合方法分析,然后将遗传算法技术和Fisher判别法引入湿地类型提取,一方面优化支持向量机算法实现湿地类型高精度提取,另一方面采用Fisher判别法对湿地类型进行简单、高效、自动提取;最后对四种算法的提取结果进行分析评价,旨在分析出适用于GF-1遥感影像湿地类型提取的最优算法,完善湿地类型提取算法体系,为今后湿地遥感研究提供依据。主要研究结果如下:(1)最佳波段组合分析研究研究综合考虑光谱特征与信息量大小,通过标准差、信息熵、最佳指数3个定量评价指标以及目视效果判断,确定GF-1遥感影像最佳波段组合为RGB=432。(2)最佳融合方法分析研究融合效果评价采用了定量评价的方式,从光谱继承性和空间融入度两方面分析融合效果,采用了均值、相关系数、熵、标准差、梯度五个指标分别对主成分变换融合、Gram-Schmidt融合和基于平滑滤波亮度调整融合的结果进行定量评价。在光谱继承性和空间融入度上SFIM融合法都要优于其他融合方法,SFIM既能提高空间分辨率,又很好的保留了光谱信息,有利于信息提取,对于GF-1号遥感影像来说SFIM是一种较好的融合方法。(3)遗传算法优化的支持向量机对支持向量机和遗传算法优化的支持向量机提取结果进行精度评价,支持向量机的总体精度83.79%,kappa系数0.7985,遗传算法优化的支持向量机的总体精度88.14%,kappa系数0.8527,两者总体精度相差4.35个百分点,kappa系数相差0.0542,提取时间基本一致。充分说明,遗传算法优化的支持向量机在湿地类型提取上的有效性,且提取精度明显提高。(4)Fisher判别法自动提取在GF-1号遥感影像湿地类型提取时间上,Fisher判别法收敛性大为改善,数据迭代次数明显减少,提取速度提升显著,提取结果只需要49秒。在大批量影像处理上Fisher判别法优势明显,既能满足了总体精度要求,也能大大缩短湿地类型提取时间。(5)湿地类型提取算法比较通过实验得出:总体精度上遗传算法优化的支持向量机与面向对象决策树最高为88.14%,其次是Fisher判别法总体精度85.17%,支持向量机总体精度最低83.79%;遗传算法优化的支持向量机Kappa系数最高0.8572,其次是面向对象决策树和Fisher判别法Kappa系数分别为0.8217、0.8129,支持向量机的Kappa系数最低0.7985,这充分说明遗传算法优化的支持向量机在湿地类型提取的总体精度优于Fisher判别法和支持向量机,Kappa系数优于其他三种提取方法,且改善明显。Fisher判别法的提取时间最短49秒,其次是面向对象决策树165秒,遗传算法优化的支持向量机和支持向量机提取时间分别为253秒、249秒,这说明Fisher判别法在湿地类型提取时间上优于其他三种分类方法,且提升显著。