沼泽植被分类及冠层叶绿素含量(Canopy chlorophyll content,CCC)遥感反演对于评估、管理沼泽湿地以及制订合理的保护、恢复政策具有重要意义。但当前研究仍存在以下问题:(1)沼泽植被空间分布复杂且空间异质性较差,给高精度的沼泽植被分类带来极大挑战;(2)沼泽植被因其生境复杂导致与遥感影像像元尺度相匹配的沼泽植被CCC实测数据采集困难,这给沼泽植被CCC遥感反演的结果造成很大的不确定性。本研究以洪河国家级自然保护区为研究区,基于多源遥感数据实现了高精度沼泽植被分类和近实时的CCC遥感反演。本文的研究内容及主要结论如下:(1)基于GF-1 PMS和ZY-3 MS卫星遥感数据构建面向对象的多维数据集,采用面向对象的随机森林(Random Forest,RF)算法进行沼泽植被分类。结果表明多维数据集的引入提高了沼泽植被分类精度(1%～5%),但纹理信息中有较多冗余变量;(2)对面向对象的RF算法进行参数(mtry和ntree)优化以构建适用于沼泽植被分类的最优模型,并对多维数据集进行变量选择以剔除冗余变量。结果表明参数优化提高了算法稳定性和分类精度,基于三种变量选择算法从多维数据集中剔除冗余变量可有效提高分类效率和精度(2%～7%),其中递归特征消除(Recursive Feature Elimination,RFE)算法性能最佳;(3)提出无人机辅助采集与遥感影像像元尺度相匹配的沼泽植被CCC样本数据的新方法,通过提取纯植被像元,降低从无人机尺度的CCC反演结果中获取遥感影像像元尺度的CCC样本数据的不确定性。结果表明无人机辅助采集沼泽植被CCC样本数据的方法在扩大样本数量的同时量化了采集精度(R~2≥0.86,RMSE≥6.98)。提取纯植被像元降低了卫星影像像元尺度上CCC样本采集的不确定性,两组CCC样本数据在提取纯植被像素前后存在显着差异(P-value<0.05);(4)利用RF回归算法评估了GF-1 WFV,Landsat-8 OLI和Sentinel-2 MSI卫星遥感数据在沼泽植被CCC反演中的应用性能,通过RF回归模型的参数优化提高CCC反演精度。结果表明参数优化进一步提高了CCC反演精度。Sentinel-2 MSI由于包含对植被特性更敏感的红边波段,因此在沼泽植被上实现了最高的CCC反演精度(R~2=0.79,RMSE=10.96)。