城市是非农产业和非农业人口集聚形成的连片地理区域(包括按国家行政建制设立的市、镇)。一般包括住宅区、工业区和商业区等。改革开放以来,中国人口不断增长,社会经济发展水平日益提高,城市扩展迅速,如何在经济快速发展的过程中了解城市发展动态变化,以及城市发展方向,成为区域城市化和可持续发展评价的重要内容。武汉市作为湖北省的省会,是华中地区和长江中游的科技、教育、经济和文化中心,仅2012年,武汉市的常住人口就比上一年增加了10万,人口自然增长率为5.18‰,2013年武汉的地区生产总值超过9000亿元,面对快速增加的人口和持续的经济增长,城市空间结构变化迅速,有必要准确把握其扩张规律,为制定政策和规划提供依据。本文采用MODIS遥感数据和基于支持向量机(support vector machine, S VM)的影像处理技术,探索了该方法在分析城市扩张研究中的优势,在此基础上本文分析了武汉市12年来的城市空间布局和面积变化趋势和规律,主要取得了如下成果：(1)分类特征的选择会直接影响到分类的精度,基于MODIS数据提取分类特征能够明显地提高区域尺度范围内土地利用/土地覆盖的分类精度。本文将MODIS的1-7波段的多光谱数据和归一化植被指数相结合,将其应用到遥感图像的分类中,实验结果表明该方法可以在一定程度上减少“同物异谱”、“同谱异物”的现象,从而提高遥感图像的分类精度。(2)多时相分类特征的结合可以一定程度上提高了遥感图像的分类精度,但增加了特征维数,而且在试验中样本的选取也是有限的。因此,本文选择了一种新的机器学习的方法——支持向量机,它的理论基础是统计学习理论,因此,具有严格的理论和数学基础。本文将支持向量机的分类方法与传统的遥感图像分类方法——最大似然法(maximum likelihood, ML)相比较,结果表明,支持向量机的分类总精度和Kappa系数均高于最大似然法的分类结果精度。另外,从混淆矩阵来看,最大似然法的混分现象也比SVM严重,比如低密度的草地和未利用地混分现象比较严重。SVM的分类结果总体上比最大似然法的分类结果要明朗,其类别内部比较均一,细小斑点较少,而且类别之间的界限比较清楚；而从最大似然法分类图中可以看出,最大似然法分类图内部存在很多碎小的图斑,类别之间的界限也很模糊。总的来说,SVM分类的结果要优于最大似然法。(3)从应用的角度出发,结合以上讨论的结果,本文以此为基础探讨了武汉市2000年、2006年、2012年间的土地利用变化情况,重点分析了武汉市城市变化情况。结果分析表明,武汉市2000年-2006年,武汉市城市面积由807.1250km2,增加到837.6875km2,增加了30.5625km2；空间变化在汉口是以长青路、姑嫂树路组成新的轴向发展走廊,汉阳地区是以汉阳大道为轴线急需向西发展,在武昌地区,东湖高新科技开发区的成立促使了城市向东扩张。2006年-2012年武汉市城市变化迅猛,城市面积比2006年增加了142.1250km2,是2000年-2006年增加量的4.6503倍：该时期,武汉城市用地由内向外呈圈层式蔓延发展的趋势,建成区内建设用地质量不断提高,中环至外环之间土地集约节约程度逐渐提高。