遥感图像分类是遥感研究领域的重要内容,如何准确、快速的获得大尺度范围的土地覆盖信息进行土地变化的动态实时监测一直是关注的重点,也是描述生态系统的基础数据,获取其现状和变化信息,对于揭示土地覆盖的特征和变化规律,探讨变化的驱动因子,分析评价区域生态环境具有重要的现实意义。本文针对MODIS数据多光谱的特点,选取2006年全年的MODIS影像,计算了2006年12个月份的NDVI时间序列数据,同时分析了各种土地覆盖类型间的光谱关系,并选择了NDWI、NDMI、NDSI等分类指数,首先在蒙古高原区域上选择两块气候、地貌、植被差异都比较大的试验区域巴彦淖尔市和呼伦贝尔市,运用最小距离法、最大似然法、BP神经网络法、决策树法对试验区域进行土地覆盖分类。从得到的混淆矩阵的分类精度上选择好的分类方法对整个蒙古高原进行分类,得到最终的分类结果图。本文通过此项工作得到了以下主要结论:(1)根据MODIS数据多波段的特点,可以通过波段间加、减、乘、除等运算后作为分类特征进行土地覆盖分类,通过试验研究,发现能明显的提高土地覆盖分类的精度,而且对研究区域地学背景知识和专业知识的了解有助于有效的选择分类特征。(2)从MODIS遥感数据中可以提取植被指数、水体指数、湿度指数以及土壤亮度指数等,通过了解各种指数在土地覆盖类型上的变化规律,可以为建立决策树提供依据,从而更快更好的将研究区进行分类。(3)分类器的选择对提高影像分类精度具有重要的意义。在本文分类试验中,本文选择了两块气候、植被、地貌差异都比较大的实验区域作为研究区,以进一步说明分类器在不同研究区域上分类的性能。通过用最小距离法、最大似然法、BP神经网络法和决策树法对试验区域进行分类,从各个混淆矩阵的分类精度中可以看出,在此试验区域中,决策树分类法的分类精度最高,所以针对地区的特殊性,本文用决策树分类法对整个蒙古高原进行分类,以得到较高精度的土地覆盖类型。(4)在本文分类中,传统分类方法在分类上需要较多的训练样本,而且样本纯度要高,才能保证分类精度,但是本文在选择训练样本时是从Arcgis软件中选择出来进而转到ENVI软件中进行的,经过这样的转换其空间位置容易发生位移照成训练样本选择的不精确,从而影响分类精度。这种分类方法用在大尺度区域上进行分类费时又费力,不宜选择。BP神经网络在分类上表现的不够稳定,不同地区其分类精度差异较大,而且此方法对训练样本的精度要求较高,以及此方法训练时间较长等原因,也是不选择其作为蒙古高原土地覆盖分类方法的原因之一。但是决策树在分类中不仅表现出了高精度的分类特点,而且其分类速度快,能快速地完成决策树的建立及分类。(5)本文用混淆矩阵对最终分类结果图进行了检验,由于本文缺乏蒙古国的土地利用数据,因此本文只在内蒙古自治区均匀的选择了检验样本,以对蒙古高原区域的土地覆盖分类结果进行验证,最后得到的混淆矩阵的总体分类精度为80.28%,kappa系数为0.7152。分类精度达到了最低允许的判别精度0.7,kappa系数的值分布在0.6-0.8之间,从分类质量上来说,是属于很好一列,所以说,本文所选择用决策树对蒙古高原区域进行分类,是可行的,是可以进行推广的。