河口湿地是典型的具有水陆交互作用的地带,具有特殊生态价值和潜在资源价值的多功能的复杂生态系统。河口湿地生态系统极易受到包括生物群落迁移及气候变化在内的各种自然和人为干扰,而当前应用于河口湿地监测与调查的方法通常都基于小地块的实地考察,极难对河口湿地进行大规模调查。此外河口湿地所具有的丰富的生物多样性,高度异质化的景观格局也都极大的增加了湿地景观类型调查与识别的难度。近年来伴随着消费级无人机的平民化发展,无人机作为获取遥感数据的工具被越来越多地应用于各个领域。同时在遥感分类领域,面向对象图像分析技术与多时相遥感影像分类技术被广泛接受。目前对于河口湿地景观信息提取以及景观格局的研究中,缺乏多时相无人机影像和面向对象图像分析技术的运用。因此,本研究利用无人机在四个季节内对天目湖上游平桥河河口湿地进行航摄,根据无人机数据和野外调查结果构建了河口湿地景观分类体系;对所获取的2018至2019年连续四个季节的研究区正射影像筛选了合适的分割尺度参数及可见光植被指数;并将各个季节的影像进行不同的组合,用不同的分类方法进行了分类,探讨了多时相无人机影像能否增加分类精度和多时相分类器对不同时间分辨率对面向对象分类器的影响。对于所得到的结果最后采用景观生态学理论分析各个季节的河口湿地景观格局。主要结论如下:（1）经过分割尺度参数的对比分析,最终在尺度=30、形状参数=0.1和紧致度参数=0.5的分割层上提取了河口湿地景观信息;对目前所有已有的可将光植被指数进行筛选,本研究认为归一化绿红差异指数（NGRDI,Normalized Green Red Difference Index）、过绿指数（ExG,Excess Green）和可见光差异植被指数（VDVI,Visible-band Difference Vegetation Index）更适合进行河口湿地景观信息提取;比较基于面向对象决策树分类器的四个季节的分类精度,结果发现春季在四个季节中分类精度最高,总体精度（OA,Overall Accuracy）达到 62.7%,kappa 系数为 0.59。（2）在利用多时相优化河口湿地景观信息提取试验的过程中,研究发现采用多时相影像能够增加影像的分类精度,且多时相影像的时间分辨率越高,分类精度越高,多时相影像优化河口湿地景观分类结果被证明于多时相影像光谱特征的差异性有关。在使用四个季节的影像进行分类后,OA为91.7%,Kappa系数为0.90;对于两季影像,效果最好的时相组合为春秋两季,OA为80.8%,Kappa系数为0.79;对于三季影像,效果最好的时相组合为春夏冬三季,OA为86.1%,Kappa系数为0.85。（3）本文通过改变时间分辨率,对K最近邻（K-NN,K-Nearest Neighbor）、随机森林（RF,Random Forest）、支持向量机（SVM,Support Vector Machine）和决策树（DT,Decision Tree）这四个分类器所得结果的精度变化进行了研究。结果表明,在低时间分辨率的方案中,DT的精度较高;在高时间分辨率的方案中,RF的精度较高;从低时间分辨率提高到高时间分辨率的过程中,KNN分类器的分类精度提升最快,SVM分类器的分类精度提升最稳定。其中采用四个季节影像进行分类时,RF的分类精度最高,OA 为 94.8%,Kappa 系数为 0.93。（4）本文利用景观生态学理论分别对多时相优化河口湿地景观格局变化及河口湿地景观分类格局季节性变化进行分析。结果说明,相比单季影像,多时相影像的斑块数量更少,破碎度更低,证明多时相影像可以应用于小尺度生态系统景观格局分析上,且效果更好;对各类景观而言,受到人类大幅扰动的道路,菜地,水体,形状规则,较为聚集,斑块破碎度极小,受人类小幅扰动的常绿阔叶林,生长与水体之上的浮萍景观破碎度较小;其余一些不受人类扰动的景观,破碎度较大;各类景观随着春,夏,秋,冬的季节变化发生变化,景观斑块变少,破碎度降低,景观多样性也随之降低;研究区内部的景观格局变化符合季节变化规律,本研究将为小尺度生态系统的生态格局研究提供技术支持。