土地覆被变化的研究是我国当前地理国情监测的重要组成部分,也是全球变化研究中诸多专题研究的基础。土地覆被分类是土地覆被变化研究的前提,目前对于土地覆被的分类主要是通过对遥感影像的分析和判读,基于遥感影像的土地覆被分类精度直接决定了土地覆被研究的水平,提高分类精度是土地覆被研究的热点问题。土地覆被的分类方法有计算机自动分类和专家知识人工分类,在对复杂地表土地覆被分布进行分类时,由于混合像元、地类交错分布、土地覆被破碎等因素的影响,直接应用计算机自动分类得出的分类结果精度较低,应用地理学专家知识分类的主观因素影响大、划分的科学性不足,且需要大量的人工操作,因此当前全球土地覆被数据总体分类精度较低。本文分析了土地覆被分类中使用专家知识分类和计算机自动分类两类方法各自存在的不足之处,针对专家知识的人工分类精度较高,但是需要大量人工操作,解译周期长,分类结果受主观因素影响较大。计算机自动分类方法分类耗时短,但土地覆被分布复杂情况下分类精度低。本文将二者结合,提出了改进分离阈值(SEaTH,Separability and Thresholds)算法,基于高斯概率计算分类最佳阈值。该方法改善了 SEaTH算法作为半自动算法,只能计算每两个类的分类阈值,通过计算机自动筛选最优分类规则和分类阈值,达到半自动的SEaTH算法自动化目的。针对土地覆被林地分类难度大,将植被红边波段加入分类中,探究植被红边波段在遥感影像土地覆被分类中的作用。本文相较于之前的研究,取得以下三点成果:(1)在特征空间符合高斯概率分布前提下,基于改进SEaTH算法和专家知识分类结果,与机器学习分类器相比,分类精度相当,在某些特定土地覆被类别取得的分类效果优于部分机器学习分类器分类效果。(2)针对林地的分类是土地覆被分类中的一个难点,加入植被红边波段对土地覆被分类中的林地分类进行研究,利用植被红边波段对植被叶绿素变化的敏感性,加入植被红边波段提高土地覆被林地分类的分类精度。(3)基于专家知识和改进SEaTH算法的土地覆被分类方法,应用于研究区实验,总体精度为72.96%。相较于K-NN算法、最邻近像元法、CARTs算法,分类精度至少提高5.35%;相较于随机林算法,分类总体精度提高3.64%。