西北干旱区土地利用类型多样,对环境变化较敏感等特点,是全球变化特别是LUCC研究的重要场所。西部干旱区范围较大,这种大范围的土地利用/覆盖分类需要大量遥感数据和辅助数据,同时也更需要发展快速、高效分类方法。决策树方法从数据挖掘领域中产生,在遥感领域分类中有较多优点:算法对采样点数据分布没有特别要求,可以同时处理连续和离散数据,生成规则的速度快且易理解,已经成功应用在全球土地覆盖数据库和美国国家土地利用/覆盖数据库数据产品生产中。　　 目前我国国家土地利用/覆盖分类系统是基于日视解译技术制定的,不适用于决策树方法的西北干旱区土地利用/覆盖分类研究,本文通过对比多个分类系统的发展目标、分类方法和分类方案,同时结合西北干旱区山地、绿洲、荒漠共存的典型内陆河流域特征发展了中国西北干旱区土地利用/覆盖分类系统。　　 决策树方法需要光谱数据和植被指数、纹理分析、地形因子等辅助数据参与分类,同时需要大量样本点进行决策树训练学习及分类检验,因此本文在对TM、DEM数据处理后,经过植被指数、纹理指数、地形凶子计算发展了一套完整用于分类的数据集。经过野外采样和室内结合高分辨率影像采样获取了一批用于决策树学习和精度验证的样本数据集。　　 决策树算法从数据挖掘领域中产生,目前在GIS和遥感软件中有不同扩展。决策树算法较多,其主要区别在于分割数据集方法和剪枝技术,且各种算法均允许辅助数据参与分类,对样本点数量没有明确要求,本文通过研究算法、辅助数据、样本数量三个因素对分类精度影响表明:　　 ①辅助数据对提高分类精度提高影响最大,决策树算法次之,样本数量对分类精度提高影响最小。　　 ②辅助数据中地形因子对分类精度提高要由于植被指数和纹理数据。　　 ③决策树方法中三种分割方法对分类精度提高略有差别,加入后剪枝技术后分类精度有较大改善。　　 ④样本数据量控制在平均每个地类100个在决策树分类精度和效率上最佳。　　 西北干旱区面积较大,本文选择了干旱区一景TM影像作为试验区,该试验区内有山地、绿洲和荒漠,可以完全代表干旱区区域特征,通过对整个试验区进行分区划分,实现山区、绿洲区和荒漠区的分区研究。分类结果表明:山区总体分类精度最高达到85.84％；绿洲区次之,分类精度为77.03％；荒漠区最低分类精度为76.58％。最后将三个区域合并后并对分类结果进行平滑处理,单幅TM影像的总体分类精度为79.23％,能够满足西北干旱区土地利用/覆盖分类需要。