土地利用/覆盖变化（Land-Use and Land-Cover Change,LULC）在全球环境变化中扮演着重要的作用,及时准确地更新和了解国家的土地资源使用和利用信息,是我国进行土地利用结构调整、资源合理开发、土地利用状况动态监测的坚实基础。在我国南方丘陵山地,由于地形复杂、地物分布破碎,且受多云多雨影响,高质量光学遥感数据较少,缺乏有效准确的土地利用信息提取手段。近年来机器学习方法在土地利用/覆盖信息提取领域已取得很好的表现,被广泛关注。针对南方丘陵山地因地形破碎和山体阴影而导致的分类精度低问题,本文以东江源区为例,结合南方丘陵山地特点,采用Sentinel-1、Sentinel-2A和DEM等多源遥感数据,提取了31个指标,构建了6种特征变量集,并设计了6种实验方案。同时结合随机森林袋外误差（OOB）和递归特征消除法（RFE）进行特征变量优选和特征重要性排序,筛选出对南方丘陵信息提取的最佳分类组合。本文通过构建和对比K近邻算法（KNN）、支持向量机（SVM）、随机森林（RF）和极度梯度提升（XGBoost）四种机器学习算法,探讨加入红边特征、雷达特征和地形特征对南方丘陵山地土地利用分类信息提取的性能。主要得出以下结论:（1）在进行特征变量优选和重要性排序时,特征优选后的变量组合可以在保证各分类器在精度最优的情况下将所有特征变量从31个降低到15个,提高了分类效率和性能。特征重要性得分由高到低依次为:B3、B12、B2、B5、MNDWI、B11、B6、B8、DEM、NDVI、PODU、GNDVI、RVI、CIre和MSAVI,其中得分最高的是影像的光谱特征;（2）东江源地表土地利用信息提取中,对于仅使用Sentinel-2A遥感影像数据的光谱特征、无红边植被指数和水体指数而言,在引入红边特征、雷达特征和地形特征后各分类器分类精度均有不同幅度的提升。其中引入地形特征对分类精度影响提升最大,KNN、SVM、RF和XGBoost的总体精度分别提升了1.61%、3.07%、3.8%和3.65%,Kappa系数提升了1.87%、3.62%、4.51%和4.35%。在最优变量组合中,XGBoost分类性能优于相同特征下的随机森林算法（RF）、支持向量机算法（SVM）和K近邻算法（KNN）,对东江源土地利用提取效果最佳;（3）对于东江源地区的耕地、水库、园地、裸地和河流地物类型来说,地形特征的加入可以有效的提高其分类精度,而雷达特征的加入有助于提取城镇用地和道路,说明使用多源数据的机器学习算法可为地形复杂的南方丘陵山地土地利用信息提取提供技术支持和理论参考。