随着城市化的进程,城区局部气候带的研究已经得到了广泛关注。学者提出局部气候带(LCZs)的概念用来描述城市内部结构。LCZs是一个适用于全球范围的用来描述城市局部物理结构的标准分类框架。随着近些年来航空航天卫星成像技术的快速发展,航空航天影像已经成为了遥感领域的重要源数据之一。与此同时,开源地图Open Street Map(OSM)数据已经成为另一重要的地理信息数据之一。因此,本论文融合多时相Landsat-8卫星影像、单时相Sentinel-2影像、OSM建筑物和土地利用数据用以对LCZs进行分类。然而,LCZs分类仍然面临诸多问题和挑战。这些挑战主要来自于城区局部物理结构的复杂性和融合数据的异源性。首先,LCZs类别的划分标准是不同地物在邻近小区域的分布情况,这个类别存在一定的不确定性。其次,当训练城市和测试城市不同时,分类精度仍有待提高。第三,卫星影像和OSM数据具有不同的数据获取方式、数据形式、分辨率和噪声源,使得二者的融合面临更大的挑战。卫星影像的噪声源来自于数据传输链,OSM数据的噪声源来自于人为标注不准确。因此,已被广泛采用的特征叠加数据融合方法不再适用于卫星影像和OSM数据的融合。本论文提出了一种适应于异源数据融合的崭新的全球LCZs的分类框架。框架中包含两个数据融合模型,一个用来融合卫星影像和OSM数据的土地利用层,另一个用来融合卫星影像和OSM数据的建筑物层。此外,本论文还提出了一种新的方法用来检测OSM数据建筑物的缺失。本文提出的分类框架基于集成学习,典型相关森林(CCF)和提出的两个数据混合模型。首先,从卫星影像中提取地物的光谱特征、空间特征和纹理特征,以及从OSM数据中提取土地利用和建筑物特征。然后,使用CCF算法和两个融合模型进行训练和测试,得到LCZs的分类结果。第三,对分类结果图进行后处理并进行决策融合。与此同时,本文还详细介绍了一种通用的LCZs分类框架以用来和提出的新框架进行比较。本文使用的数据是来自于2017年IEEE数据融合比赛的公开数据。本文使用的数据区域来自于全球九个不同城市,其中包含五个训练城市(柏林、香港、巴黎、罗马和圣保罗)和四个测试城市(阿姆斯特丹、芝加哥、马德里和西安)。实验结果表明,本文提出的分类框架可以有效地对分布在全球的不同城市进行LCZs的分类。首先,使用本文提出的方法得到的分类精度(整体精度76.15%,Kappa系数0.72)比通用结果得到的分类精度(整体精度70.14%,Kappa系数0.72)高约6%,并且比2017年IEEE数据融合比赛的最佳结果高约1%。第二,本文提出的分类框架在应用于不同时相的数据时具有更好的稳定性。例如,当对每一单时相Landsat-8影像在阿姆斯特丹区域进行分类时,使用本文的分类框架得到的精度(整体精度范围为72.59%-81.88%,Kappa系数范围为0.68-0.78)比使用通用框架得到的精度(整体精度范围为35.6%-64.57%,Kappa系数范围为0.3-0.6)更加稳定。此外,当分类精度相似时,本文提出的分类框架比通用框架需要更少的时相信息。本论文提出的分类框架虽然显著提高了分类结果但仍存在一些不足。首先,训练数据和测试数据来自于不同区域和不同获取时间,它们之间存在一些特征差异。因此,如何将训练数据的信息有效地传递到测试数据还有待进一步的研究。可能的研究方向有:领域自适应,半监督分类、主动学习等等。第二,多源数据的获取时间往往不相同,地物在此期间可能发生变化。如何检测并消除地物变化对数据融合的影响也是重要的研究问题之一。