近些年来极端性天气频繁出现，给世界各国带来了巨大的危害，全球变化及其影响逐渐成为全人类关注的焦点。为了有效地应对全球变化及其影响，国际社会和世界上有关国家正致力于研究解决全球变化所带来的一系列科学问题，主要集中在：客观分析全球变化的基本事实和客观规律，科学预测全球环境变化的未来趋势及其影响。本文采用的遥感数据为Landsat7ETM+多光谱影像数据，选取行列号为P089R082一景影像为代表，研究立足于两点来提高遥感影像分类的精度：首先是好的分类方法的应用，如最大似然法(MLC)、决策树、支持向量机（SVM）和神经网络方法等。根据项目要求，在研究过程中通过对最大似然法、支持向量机和基于C5.0算法的决策树（Decision Tree）算法三种分类方法的结果进行比较分析，结果表明基于C5.0算法的决策树分类方法适应性强，分类精度高，选择该算法为大区域地表覆盖产品生产的方法。其次是利用多特征影像数据以增加利于分类的数据源的方法，充分利用光谱信息、坡度信息、各种指数信息（缨帽变换，归一化植被指数）等，试验表明多特征融合数据有利于提高遥感影像分类精度，尤其是坡度特征可以大大消除山体阴影的影响。同时，为了保证分类规则的生成质量，在样本的选择过程中，借助GLOBCOVER全球地表覆盖分类数据及相关文献材料确定样本点的类型和Google Earth高分影像实时对样本进行检查。在大区域地表覆盖产品生成中，提出按月份对影像分组，将每组单景影像具有代表性的样本合并生成规则的样本采集策略，并在分类后处理过程中，使用由eCongnation软件对原始影像进行多尺度分割生成分割矢量作为分类后处理的辅助工具，以此提高分类后处理的速度，并提高了最终结果精度，实现大区域地表覆盖产品的快速制作。