土地覆盖反映了地表覆盖情况,人类的一切生产生活活动都建立在这之上,近年来土地覆盖的研究一直是全球环境问题研究的热点。随着我国遥感技术的飞速发展,出现了高分系列等高分辨率卫星,使得实现土地覆盖大尺度的制图与监测成为可能,利用遥感技术获取土地利用/覆盖分类成为一种有效的工具与技术手段。遥感影像获取技术的发展急需遥感信息处理和分类的水平,近年来随着机器学习和深度学习领域的快速发展,越来越多的机器学习算法被用于遥感图像自动分类。支持向量机是新世纪以来最常用的机器学习与模式识别方法,它具有简单一动的结构、较好的适应性等特点,能够解决高维空间、非线性和过度学习等问题,被很多学者应用于土地覆盖遥感分类。支持向量机在遥感自动分类领域中有很好的适用性,但仍然存在精度不足及复杂运算造成的大量时间成本等问题。本文以北京市海淀区为研究区,在传统支持向量机算法的基础上,结合序列最小优化（SMO）和多示例学习的思想,提出改进的算法（MISMO）,并对研究区进行土地覆盖自动分类。本文主要取得了以下成果:（1）本文基于高分二号遥感影像数据,使用人机交互解译的手段获取实际分类数据,结合研究区现状及野外验证数据建立了研究区内土地覆盖分类系统,将研究区土地覆盖类型划分为耕地、园地、林地、河流、其他水域、建设用地和未利用地七大类。（2）本文结合序列最小优化算法对多示例学习进行改进。使用改进后的算法MISMO解决土地覆盖自动分类问题。对整个研究区进行自动分类后,经过精度评价得出研究区内分类总体精度为93.65%,Kappa系数为88.39%。分类结果良好,精度评价结果可靠。（3）本文选取研究区内部分区域,将改进算法与传统支持向量机算法（SVM）和包级多示例支持向量机算法（MISVM）自动分类结果对比,发现改进算法在运行时间及分类精度上均优于传统算法。