植被作为生态环境中最敏感的指示器,对于生态的保护、规划和建设具有重要意义^[1],其中干旱半干旱区的绿洲植被是连接绿洲与荒漠的关键纽带,更是绿洲生境的直接响应者。新疆因其大陆性干旱气候和独特的地理位置孕育了大量典型的绿洲系统,其中植被的生长类型和分布与绿洲生态系统的稳定安全密切相关。因此,针对新疆部分旱区开展绿洲植被研究,有利于从根本上认识和解决现存的生态环境问题,并对绿洲可持续发展战略制定有着十分重要的借鉴价值。随着高分系列卫星及面向对象技术的快速发展,高分二号卫星被成功应用于面向对象的植被提取研究中。与传统基于像元的影像分类相比,面向对象技术能够充分利用高分二号影像中丰富的光谱、形状、纹理信息参与分类,但过多特征的参与会降低植被提取效率,在样本有限的情况下导致分类精度降低。因此,特征选择成为提升高分辨率影像面向对象分类效果的必然选择。基于此,本文在GF-2高分辨率遥感数据及野外实测数据的支持下,以新疆乌伦古河流域中下游为研究区,提出一种融合特征选择与机器学习算法的面向对象分类框架,实现对旱区绿洲植被的精细提取。具体研究思路是:首先利用ReliefF和CFS（correlation-based feature selection）对初始特征空间进行筛选,然后将优化数据集分别应用到决策树（C4.5）、支持向量机（SVM）、随机森林（RF）中,构建6种面向对象植被分类模型,探讨不同特征变量组合下的分类效果,并比较其敏感性和分类精度。最后,对表现较好的模型进行粒子群（PSO）参数寻优,得到本研究区的最优植被分类模型。该方法可为我国启动林草种质资源普查、摸清种质资源家底提供技术支持。主要研究成果如下:（1）以GF-2影像为数据源,通过一系列预处理过程提高影像的质量和可判读性。在此基础上,通过对各波段的计算得到最佳指数（OIF）值,确定影像的最佳波段组合方式为NIR-Red-Green（432）。结合野外实测数据,建立适合本研究区的三级植被分类体系,实现植被类型的精确划分,并通过计算四种植被的JM距离可知,植被之间具有良好的可分性。（2）采用多尺度分割算法结合ESP尺度评价工具获得影像最佳分割尺度参数,针对不同地物进行多层次的分割实验,并结合隶属度函数得到植被对象层,为后续实验分析提供数据支持。（3）通过详细分析梭梭、芨芨草、胡杨、芦苇四种植被在不同波段的反射特征值,提取影像对象的光谱特征、植被指数特征、形状特征及纹理特征。其中,针对GF-2影像纹理提取耗时较长的问题,研究通过对原影像进行PCA主成分变换,并选取5×5的窗口提取纹理信息,在保证影像信息不受影响的同时极大地提高了纹理特征提取效率。（4）分别使用ReliefF和CFS对初始特征空间进行筛选,发现特征选择是在面向对象研究中提高分类精度和效率的有效方法。其中,经过ReliefF算法优选得到的特征有30个,而CFS算法直接选择9个特征用于后续分类,能够有效滤除冗余特征,筛选能力明显强于ReliefF算法。（5）将优化数据集应用至C4.5、SVM、RF中,构建6种面向对象的植被分类模型,并结合生产精度、用户精度等不同评价指标分析可知,RF模型的分类精度在大部分情况下要优于C4.5、SVM,尤其在训练样本较少时,RF表现更稳定。其中,CFS-RF总体分类精度最高,能够利用最少的特征获得最优分类结果,更适于新疆地区绿洲植被的精确提取。利用PSO进行参数寻优,得到CFS-RF模型的最终分类精度为92.35%,Kappa系数为0.90,满足植被提取的精度要求。