近年来,随着中国经济进入新常态,我国的城市化进程加快,城市人口的快速增长、建设用地的无序扩建,给自然环境带来的不良影响,使城市发展面临着巨大的挑战。城市土地利用信息能够更加全面、直观的展示城市内部空间结构,对解决城市发展问题具有重要意义。随着遥感技术的快速发展,越来越多高分辨率遥感影像的出现,为快速准确获取地面信息创造了有利条件。面向对象的分类方法在进行地物信息提取时,考虑到了更多的分类特征,且能与地学知识以及其他专题特征相结合,使分类过程与人类的认知过程更加接近,已成为土地利用信息提取研究的主流方向之一。然而,在对城市内部建设用地信息进行提取时,仅依靠遥感影像难以获取不同用地类型的语义功能信息,具有一定的局限性。随着信息技术、知识工程的发展,对于空间大数据的应用逐渐增多,为城市内部建设用地信息提取提供了新的思路。基于此,本研究以高分二号、高分六号影像为基础,探索多尺度分割最优参数的选取方法,构建了影像分类特征空间并对其进行优化。基于多层次分类体系提取土地利用信息,并进行精度评价。通过空间大数据对建设用地信息进行细分,并对其空间分布特征进行分析。在此基础上,分析新都区的土地利用空间结构,并实现城市功能分区。主要结论如下:（1）综合运用最大面积法和基于ESP最优尺度评价法,选取各土地利用类型的最优分割尺度,以控制变量法为基础选取不同分割尺度下的均质性因子,并在分割尺度基础上建立影像分类的多层次结构。GF-2影像各层次分割参数分别为[179,0.5,0.6];[133,0.4,0.5];[65,0.5,0.5]。GF-6影像的各层次最优分割参数分别为[178,0.4,0.6];[123,0.3,0.5];[61,0.6,0.5]。（2）通过对典型地物采样,比较不同土地利用类型的光谱特征、纹理特征、指数特征以及几何特征差异。针对土地利用分类特点,共选取46个特征构建初始特征空间,并采用地物目标特征值差异分析与索尔福德预测模型（SPM）相结合的方式对特征参数进行优选。从结果来看,光谱特征在影像的各层次分类参数中的占比较大。当采用光谱特征无法有效区分地物时,进一步引入纹理特征、指数特征以及几何特征。（3）基于CART决策树算法和随机森林算法,分别对GF-2影像和GF-6影像进行土地利用分类。结果表明GF-2影像分类精度整体上优于GF-6影像,CART决策树与随机森林两种算法的分类精度也有一定差异。总体上,随机森林算法的分类精度要高于CART决策树算法。通过目视解译法对土地利用信息提取结果进行修正后,总体分类精度达95.16%,总Kappa系数为0.9320。（4）通过POI数据对土地利用分类结果中的建设用地信息进行细分,分别提取了商服用地、住宅用地、交通服务场站用地、工矿仓储用地、特殊用地、机关团体用地、医疗卫生用地、教育科研用地、体育用地。以成都市智慧城市时空大数据与云平台以及“天地图”国家地理信息公共服务平台为辅助,在高德电子地图上选取样本点,对分类结果进行精度评价。结果表明基于空间大数据的建设用地专项信息提取精度较高,总体分类精度达91.82%,总Kappa系数为0.8980。（5）通过统计分析可知,与建设用地相比,非建设用地在新都区土地利用中所占的比重更大,占新都区主城区土地总面积的64.24%。非建设用地中各土地利用类型的面积排序为:林地＞耕地＞交通用地＞裸地＞水域＞设施农用地。建设用地的占地面积为38.47 km~2,占新都区主城区土地总面积的35.76%。各类建设用地的面积排序为:工矿仓储用地＞住宅用地＞商服用地＞教育科研用地＞交通服务场站用地＞特殊用地＞医疗卫生用地＞体育用地＞机关团体用地。（6）从新都区主城区的土地利用空间结构来看,住宅用地、工矿仓储用地的地块数量较多,且分布较为集中;公共管理与公共服务用地、商服用地分布较为零散;而特殊用地和交通服务场站用地的地块数量较少。通过城市功能分区,将研究区划分为以住宅用地为主导的功能区、以商服用地为主导的功能区、以工矿仓储用地为主导的功能区、耕地保护区、生态保护区6类。