近年来,随着科学技术的快速发展,各种资源卫星的发射,人类能够实时的获取地表的各种信息,遥感行业的发展也日日渐进,高光谱、高分辨率等遥感影像也随之出现。高分辨影像由于其空间分辨率高、空间信息丰富等特点受到研究者们的青睐,然而同时也存在着数据量大、纹理特征复杂等问题难以解决。因此,高分辨率影像的遥感技术始终处于落后阶段,高分辨率影像数据的处理及其信息提取也一直是困扰众多研究者的难题,这也使得高分辨率遥感不能得到普遍的应用。但毫无疑问,由于高分辨率影像有着众多的优点,在未来一定会成为遥感行业发展的重要方向。同时随着社会的发展,城市作为人类生活最为聚集的场所,其信息的获取、更新也变得尤为重要。同时,随着获取的遥感影像质量越来越高,各种新的处理方法也随之产生。而机器学习法在目前遥感图像分类中是最为有效的方法之一。随机森林作为一种新兴的机器学习法,由于这种方法分类精度较高、运算速度快、分类较稳定等特点,越来越广泛的被用于遥感行业。本文以QuickBird影像为研究数据,基于随机森林的分类方法,对随机森林的分类器模型进行了构建设计,通过实验确立了分类器的最优参数mtry为2,ntree为80。同时在实验中对影像在不同分割尺度下的所提取的特征效果图分别进行了分析与对比,结果表明分割尺度在50,紧致度为0.3,光谱因子为0.5的情况下分类准确性最高,实现了对城市的地物信息进行分类提取。并同时与支持向量机以及超限学习机这两种方法的分类结果进行了分析比较。结果显示,RF分类结果中错误分类的情况最少,在提取某一地物时能实现对其它地物的零误分情况,相对于其他两种分类方法大大提高了分类结果的准确率,分类结果最佳。本文将目前国内分辨率较高的遥感影像和有效的分类模型结合在一起,实现了对城市土地利用的分类,验证了机器学习法在遥感影像分类应用中的高效性。