如何对较大尺度范围不同时相、气候和地貌类型的遥感影像进行土地利用现状分类是目前国际土地资源学科中的重要问题之一。本实验选择西北旱区所辖六省的6个具有不同经纬度、不同土地利用方式、不同实相、不同范围、不同地形、不同气候的典型地貌单元的Landsat TM遥感影像为研究对象,利用较为通用的监督分类方法(如最大似然法、BP神经网络和支持向量机法等)对其Landsat TM遥感影像进行分类,为提高遥感影像分类精度和土地利用信息提取的准确性,在实验样本选择时结合归一化植被指数和纹理特征等数据进行分类,并对分类结果采用聚类统计和过滤分析等方法进行分类后处理。最后,利用混淆矩阵对分类结果的精度进行评价。结果表明:较最大似然法和BP神经网络分类方法而言,结合归一化植被指数和纹理特征的支持向量机法的分类精度最高,最高达到了98.92%,kappa系数最高达到了0.9771,而且所有研究区支持向量机法的分类精度都达到了90%以上,较准确地分离出了各类地物。故该方法可用于具有较大范围、不同时相、不同气候和地貌类型的整个西北旱区的遥感影像分类研究,以期为西北旱区遥感影像解译和土地资源可持续发展战略提供方法支撑。