湿地是地球上宝贵的生态系统,具有多种独特的功能和服务。不仅为人类提供了大量的原材料和水资源,还能维持生态平衡、保护生物多样性和稀有物种资源。木本沼泽作为湿地的重要组成部分,具有极强的固碳功能,碳储量丰富,对全球碳氧平衡有重大意义。同时湿地也是东北寒区的重要组成,由于寒区多年冻土退化,森林与湿地生态系统势必会受到影响,加剧沼泽与森林之间的转换,因此对沼泽湿地进行精细分类能够为湿地的监测管理工作提供有效参考。湿地环境复杂且有些地方人力难至,遥感影像具有高时空分辨率,随着遥感技术的发展,使用遥感数据对木本沼泽信息分类也被广泛应用。本文选取木本沼泽资源丰富的大兴安岭境内额木尔河流域为研究区,结合Sentinel-1、Sentinel-2多源遥感数据和野外实测数据,建立光谱特征、红边特征和雷达特征的多种特征组合方案,采用支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）、深度学习（Deep Learning,DL）3种机器学习方法,对木本沼泽进行精准分类,对比9种分类方案结果及精度,探索不同特征变量对于分类效果的作用;同时,对比多种机器学习方法,选出对于木本沼泽信息提取的最优方法。本文主要研究结论如下:（1）利用Sentinel-1/2多源数据建立多种特征组合方案对于湿地分类精度有明显提升,随着红边特征和雷达特征的加入,沼泽湿地分类精度逐渐提高,红边指数和雷达VV、VH极化后向散射系数对于木本沼泽和草本沼泽的识别有很大帮助。将研究区土地类型分为木本沼泽、草本沼泽、水域、居民地、林地、耕地、草地、裸地、道路共9种,使用3种特征方案分类,方案1只使用包含Sentinel-2波段和植被指数的光谱特征,方案2加入7种红边指数,方案3再加入VV、VH两种雷达后向散射系数。比较SVM、RF、DL3种机器学习方法分类精度,均为方案1分类精度＜方案2分类精度＜方案3分类精度。（2）比较分析9种分类结果,采用深度学习方法的方案3为最优分类结果,适用于木本沼泽信息的提取及分类。对3种机器学习方法分类分别进行精度评价,支持向量机方法中,方案1、2、3总体精度分别为74.43%、75.43%、77.33%;随机森林方法中,方案1、2、3总体精度分别为75.33%、78.07%、79.39%;深度学习方法中,方案1、2总体精度分别为82.51%、84.25%。最优分类DL方案3的总体精度为86.47%,Kappa系数为0.84,各地类分类效果均比较好。（3）对于各土地覆被类型的分类精度,水域、居民地、林地的分类效果较好,用户精度最高达到90%以上;在DL分类方案3中,木本沼泽的用户精度达到80.64%;草本沼泽的用户精度在DL分类方案3中最高,精度为71.52%,对于两类沼泽湿地的最高分类精度皆达到了70%以上。其余草地、裸地、耕地、道路的精度也基本达到65%以上。（4）根据最优深度学习方法方案3对研究区各地类数据情况进行统计,研究区总面积为12056.04km~2。研究区内最大优势地类为林地,其次为草本沼泽和木本沼泽,耕地和草地次之,居民地、裸地、水域和道路占比均在1%上下。