土地荒漠化是指由于恶劣的自然因素和不利的人类影响所造成的干旱、并干旱和干燥的半湿润地区的土地退化,是全球广泛关注的重大生态环境问题之一。荒漠化监测与评价是荒漠化研究的核心内容之一,只有及时掌握荒漠化时空变化信息,方能制定并实施有效的宏观管理,做好荒漠化防治工作,保护环境资源可持续发展。然而,到目前为止还没有一种大家公认的正确评价方法。计算机硬件技术与遥感技术的迅速发展,又为这一目标的实现提供了机遇。本文选取在我国颇具代表性的毛乌素地区为研究对象,以多源遥感数据融合与地形地貌分类为基础,通过仿真建立一定数量野外样地调查数据与遥感数据的对应关系,实现土地荒漠化的定量估测。主要研究成果有:1.比较了高空间分辩率SPOT5全色影像与多光谱Landsat5 TM影像不同融合方法的融合质量。在主成分变换融合、比值变换融合和乘积变换融合这三种方法中,乘积变换融合图像即较好地继承了TM影像的光谱质量又最大程度地融入了SPOT全色影像的空间纹理细节。融合影像与TM影像的平均光谱质量差异仅为22.886,而融合影像与SPOT全色影像高通滤波后的相关系数则高达0.949。2.比较了融合影像与原多光谱影像的地貌监督分类效果,发现乘积变换融合图像分类效果最好,165个调查样地总体分类精度达到82.42%,Kappa系数达到0.616。另外,对不同地貌类型调查样地对应的遥感数据进一步分析发现,缨帽变换的湿度指数与绿度指数的比值可以较好地提取道路与水体,而主成分变换的第二成分可以区别沙地与梁地,利用这种分层分类法总体分类精度提高到85.85%,Kappa系数达到0.635。3.针对多变量筛选问题,比较了传统的基于最小二乘穷举法的复相关系数准则与基于偏最小二乘法的Bootstrap方法和变量投影重要性准则。三者所选变量有很大不同,根据bootstrap和变量投影重要性准则所选变量建立的模型精度略有提高,并且筛选变量所用时间急剧减少。变量投影重要性准则虽然是一种定性评价变量重要性的方法,但根据这一准则筛选的变量符合参数节俭原则,并且意义明确。4.研究了地貌类型对植被盖度估测模型的影响,按地貌类型分别建立模型估测植被盖度比不考虑地貌影响时RMSE（均方误差,Root Mean Square Error）减少了3%,而相对RMSE减少了13%。说明地貌分类有助于提高植被盖度的估测精度。5.考虑到变量间共线性的存在,引入了岭回归、偏最小二乘回归和广义回归神经网络模型估测生物量,它们都能克服共线性对模型的不利影响。估测梁地植被生物量时,偏最小二乘回归方法精度最高,RMSE为64.39g.m^-2,相对RMSE为57.68%;估测沙地植被生物量时,广义回归神经网络模型精度最高,RMSE为53.59 g.m^-2,而相对RMSE仅为21.75%。综合来看,沙地比梁地的生物量估测精度高,可能是相对沙地而言,梁地土壤背景复杂造成的。6.分析了土壤水分、植被盖度与生物量与土地荒漠化程度的相关关系,三者中以植被盖度与荒漠化程度的相关性最大,以土壤水分的相关性最小。以植被盖度与生物量为自变量建立荒漠化程度估测模型,正确预报率平均达到81.2%,预报偏差不超过一个等级。考虑到遥感估测植被盖度与生物量有一定误差,根据误差传播定律,必然会带入荒漠化程度估测模型,降低荒漠化估测精度。因此,建立了以遥感因子为自变量的荒漠化程度估测模型,平均正确预报率达到83.9%,预报偏差也不超过一个等级。总之,以图像融合与地貌分类为基础,通过一定数量野外调查样地与遥感数据建立对应关系,可以实现基于遥感数据的土地荒漠化的定量估测,实现荒漠化程度估测的自动化与可视化。