自改革开放以来,中国的快速城市化进程极大地改变了土地覆盖与空间结构分布,进而影响陆地生态系统结构,产生与加剧系列环境问题,对社会的可持续发展带来挑战,因此提升及时可靠的城市土地覆盖与结构类型分类能力具有重要研究价值。Landsat遥感影像因全球覆盖、免费获取、空间分辨率良好、重访周期短以及数据支持成熟的优势而成为最广泛应用的对地观测数据源之一。城市土地覆盖包括建成区和自然地表两大类,土地覆盖类型可提供的信息有限。城市结构类型主要由建成区的水平和垂直分布形成,对合理的城市规划等亦具有重要影响。因此,本文开展了面向Landsat遥感影像的城市土地覆盖与结构类型多层分类研究。针对城市土地覆盖与结构类型多层分类研究中光谱波段信息有限、易受不可靠观测干扰、高度信息缺乏等系列问题,结合Landsat遥感影像的数据特点,本文发展了“建成区-自然地表覆盖-建成区结构”的多层次影像分类框架。本论文的主要内容总结如下:（1）Landsat影像的建成区提取易受裸地干扰,而夜间灯光影像是反映人类活动独特和客观的视角,所以两类数据的融合有潜力提升建成区识别能力。珞珈一号（LJ1）相比前代夜间灯光数据NPP/VIIRS（NPP）,其空间分辨率与Landsat更为匹配,目前缺乏该数据提取建成区的系统评价。因此本文以多气候以及发展水平类型的中国大陆为实验区,定量综合地评估基于LJ1自身及其与Landsat融合的建成区制图效果。结果显示,由于空间分辨率的提升,LJ1比NPP数据的用户精度更高,另一方面,NPP数据因粗糙分辨率导致的光晕效应使其提取的建成区范围遗漏错误较少,所以可取得更高的生产者精度。总体而言,LJ1数据在如超大及大型城市这类发达地区可获得更精确的建成区范围。当联合Landsat与两类夜间灯光数据时,既可以利用两类夜间灯光数据捕捉参数的互补特性,也可以充分结合建成区日夜间的特征差异,从而实现中国大陆建成区的可靠提取。（2）自然地表覆盖类型多样,时序特点明显。Landsat影像的成像方式以及卫星故障问题使其受到云、云阴影、冰雪和条带缺失的干扰,这些不可靠观测阻碍了地物时序特征的准确表达以及识别。本文原创性地提出了一种两步骤的协同训练分类方法以应对该问题。首先设计了具有纠错能力的MCCR分类器,通过矩阵填充技术恢复训练样本的不可靠观测,并采用协同表示分类器来应对未标记样本的不可靠观测;接着联合具有容错能力的随机森林RF分类器,提出协同训练分类方法CotrRM,从未标记样本中迭代式构建半监督样本以增强分类性能。武汉地区的实验结果表明MCCR在处理污染数据时,其分类精度与RF相当,协同训练方式CotrRM可以进一步提高分类效果。该方法在实现自然地表分类的同时,还可以修复Landsat时序影像的不可靠观测。（3）城市建成区结构包括建筑物的密度和高度分布,Landsat影像反映建筑物高度信息的能力较为有限,而SAR雷达影像的回波强度与地表几何结构息息相关,所以本文采用Landsat和SAR影像的联合提高建成区结构识别潜力。考虑到建成区结构的复杂性以及深度学习方法对高层特征的挖掘能力,首先对两类影像分别设计了基于3D-CNN和多尺度DenseNet网络以提取各自的深度特征,然后采用深度可分离卷积网络有效融合两类深度特征以充分挖掘建成区结构的判别信息。北京和上海地区的实验均表明高分三号SAR影像的引入可提高Landsat影像的建成区结构识别精度,尤其是对建筑物高度类型的识别。本文提出的双分支深度融合方法FuseNet有能力深度融合Landsat和SAR影像以实现建成区结构的可靠识别。