目前国内外学者在城市建成区领域的研究已经有了很深的积累,但是在提取的城市建成区的研究中,还存在提取精度的进一步提升。本研究分别利用POI数据、LJ1-01数据、LJ&POI融合数据对昆明主城区的建成区进行了识别研究,在现有数据和方法上探索了如何提高城市建成区提取精度这一科学问题。城市建成区作为城市功能的唯一载体,所有的城市建设与城市规划都是围绕城市的建成区开展的,城市的建成区也直接关系着当下的国土空间规划。本研究利用POI数据、LJ1-01数据、LJ&POI融合数据对昆明主城区的建成区进行了识别,方法上提出了Density-Graph与GGM函数的OSTU算法,数据上提出了融合数据LJ&POI,在一定程度上弥补了以往城市建成区研究中数据与方法的创新不足,为城市建成区的提取提出了新的视角和研究范式。本研究首先对POI的核密度曲线进行分析,利用Density-Graph来选定核密度曲线的临界值,进而提取出城市的建成区范围;然后对LJ1-01影像数据进行分析,通过基于GGM函数的OSTU阈值分割算法确定了夜间灯光的提取阈值;最后利用几何平均值将POI数据与LJ1-01数据进行融合得到LJ&POI数据,分别利用Density-Graph与GGM函数的OSTU算法提取出城市建成区范围,最后进行精度比较。通过运用Density-Graph与GGM函数的OSTU算法对城市建成区识别研究,得到以下重要结论:（1）基于POI识别的城市建成区域达到了80%以上的识别精度,总体识别精度较好,但是由于POI数据受城市化程度影响严重,导致POI核密度分析提取的建成区范围偏小,且提取的建成区边缘细节过于平滑,使得提取到的建成区只是一个大致的范围,从理论上讲,基于POI识别城市建成区是可行的,但是需要进一步的消除POI数据受城市化影响的程度。（2）利用GGM函数的OSTU算法对LJ1-01数据进行阈值分割计算提取到的建成区精度也达到了80%以上,建成区的提取效果与POI提取的建成区效果大致相同。但是LJ1-01数据受到灯光溢出的影响严重,提取到的建成区边缘细节和内部细节复杂,以及建成区斑块化严重,因此基于GGM函数的OSTU算法运用到夜间灯光的阈值提取是可行的,但是该方法并没有显著消除灯光数据本身的影响。（3）对POI数据和LJ1-01数据进行融合得到的LJ&POI数据进行DensityGraph和GGM函数的OSTU算法分析,两种方法提取到的建成区范围精度都达到了93%以上。且提取到的建成区无论是平滑度还是细节的复杂、破碎程度均有所改善,提取到的建成区更加完整,说明LJ&POI数据相对POI和LJ1-01数据能到更好的提取效果。（4）对比三种数据的提取精度,从高到低分别为LJ&POI（OSTU）>LJ&POI（Density-Graph）>LJ1-01（OSTU）>POI（Density-Graph）,且LJ&POI（OSTU）和LJ&POI（Density-Graph）,LJ1-01（OSTU）和POI（Density-Graph）提取的建成区精度大致相同,可以认为在城市建成区的提取当中,数据融合起到的作用更大,LJ&POI数据的思路也将指导未来的城市建成区研究。城市建成区的精准识别在城市规划领域具有重要的实践作用,通过POI数据与LJ1-01数据融合得到的LJ&POI数据能够精准的识别城市的建成区,对未来的城市规划和城市建设能够起到积极地指导作用。