海岸带是一种特殊的生态系统,具有高生产力、高经济价值的特点。随着经济和人口的不断增长,海岸带正面临着巨大压力,严重影响了可持续发展的战略方针。因此,把握海岸带的动态变化规律,对海岸带的可持续利用和发展具有十分重要的意义。传统遥感分类使用单时相遥感数据,分类效率高、可操作性强。但是,海岸带地物类型丰富、分布错综复杂,仅靠单时相遥感影像难以实现高精度分类。需要利用多时相的遥感信息,通过分析地物在“繁盛期”和“枯萎期”的物候特性差异,从而提高海岸带地物分类精度。针对以上问题,本文利用多时相高分光学遥感数据（GF-2）以及全极化SAR数据（Radarsat-2）,主要完成了如下工作:（1）基于多时相光学遥感的海岸带分类研究。根据GF-2遥感数据分辨率高、纹理清晰的特点,分别提取不同时相数据的光谱特征、纹理特征,将不同时相特征组合到一起构建具有物候特性差异的多时相特征集,最后结合机器学习算法（随机森林、支持向量机、多元核逻辑回归）进行建模分析。结果表明,GF-2影像的多时相分类方法相较于单时相分类精度大幅提升,总体精度和Kappa系数平均提升10%和0.11以上。其中随机森林和支持向量机的总体精度为96%左右,多元核逻辑回归的分类总体精度为91%。该结果充分验证了高分光学遥感的多时相分类方法在海岸带地物识别上的优势。（2）基于多时相全极化SAR的海岸带地物分类研究。利用Radarsat-2全极化SAR数据,通过提取极化分解特征、矩阵统计特征、纹理特征,构建出具有不同物候特性的极化散射特征集,最后结合机器学习算法（随机森林、支持向量机、多元核逻辑回归）进行建模分析。结果表明,Radarsat-2数据的多时相分类方法相较于单时相分类精度大幅提升,其中随机森林和支持向量机的总体精度为97%左右,多元核逻辑回归的分类总体精度为94%。和多时相高分光学遥感分类相比,全极化SAR分类在植被的识别效果上更好,但对于水体分类精度不高,而且整体分类噪声较多。（3）基于多源多时相遥感的海岸带地物分类研究。根据研究内容（1）、（2）多时相分类的特点,采用繁盛期的Radarsat-2数据以及枯萎期的GF-2影像,提取对应的光谱特征、纹理特征以及极化特征,构建多源特征集,最后结合机器学习算法（随机森林、支持向量机、多元核逻辑回归）进行建模分析。结果表明,多源多时相分类方法相较于单源单时相分类,总体精度和Kappa系数平均提升12%和0.12左右,其中随机森林和支持向量机的总体精度为96%左右,多元核逻辑回归的分类总体精度也有95%,克服和减弱了单源多时相分类的缺点,植被和水体分类效果更好,噪声也更少。多源数据组合方式比较多,多时相数据获取方便,多源多时相分类方法在海岸带地物分类上更加灵活,适用性更加广泛。