城镇化的快速推进会带来城市建成区的大范围扩张,对城市建成区进行准确的提取和监控,有助于认识并理解城市的发展进程及空间特征,从而尽可能的降低未来城镇化发展所带来的消极影响。夜光遥感为城市建成区的获取提供了强有力的数据支撑,目前夜间灯光数据类型主要包括DMSP/OLS、NPP/VIIRS、Luojia1-01。夜间灯光越强的区域越有可能被认为是潜在的建成区,夜光数据质量的差异会对城市建成区的提取产生影响。然而,现有的夜光遥感提取建成区方法多数针对较早的DMSP/OLS开发,以NPP/VIIRS和Luojia1-01为数据源的提取方法相对缺乏,对建成区提取方法在不同夜光数据下的综合性对比较少。本文以南昌市为研究区,将夜间灯光DMSP/OLS、NPP/VIIRS、Luojia1-01作为主要的研究数据,首先明确多源夜间灯光数据之间在空间格局和影响因素上存在的差异,而后将不同的建成区提取方法应用在多源夜光数据上,评价提取结果。具体研究内容如下:（1）通过圈层分析和空间自相关等方法分析多源夜光数据在城市区域的空间格局分异;（2）通过地理探测器和地理加权回归探讨NPP/VIIRS与Luojia1-01灯光强度的影响因素差异;（3）据不同源夜光遥感数据在城市区域的空间分布特征和主要影响因素,通过辅助数据对DMSP/OLS与NPP/VIIRS进行校正,选取统计数据比较法、支持向量机监督分类、人居指数、基于拉普拉斯改进的Sobel边缘检测四种建成区提取方法,评价不同夜光数据在这四种建成区提取方法下的表现。研究结果表明:（1）城市区域的夜间灯光空间格局随数据质量的提升而复杂化。多源夜间灯光强度的圈层格局总体上遵循由内向外递减的规律,质量越高的灯光数据圈层间的波动越大。三种夜间灯光数据在南昌市主城区存在明显的空间集聚,热点区域随夜光数据质量的提升会进一步分化。（2）夜间灯光的影响因素会随数据质量的提升产生变化。NPP/VIIRS与Luojia1-01的高值像元主要分布于不透水面,不同土地覆盖类型下Luojia1-01的灯光变化比NPP/VIIRS更剧烈。POI密度、人口密度、路网密度、地表温度、建筑密度对NPP/VIIRS与Luojia1-01灯光强度均存在正相关。各因素两两交互都会对夜光强度存在更强的影响。POI密度、人口密度、地表温度对城市区域的灯光强度影响力较强,非城市区域的影响力较弱,路网密度、建筑密度则相反。总体上各因素对NPP/VIIRS的影响力比Luojia1-01更强。（3）所选建成区提取方法的普适性由强到弱依次为人居指数、支持向量机监督分类、统计数据比较法、拉普拉斯改进的Sobel边缘检测。去饱和后的DMSP/OLS在不同方法下相比原数据有明显提升,NPP/VIIRS校正数据的提取结果相比原数据变化较小。整体而言,在多源夜间灯光数据下,人居指数的表现最好,提取结果平均卡帕系数为0.809,能够保留建成区内部的结构特征。支持向量机分类平均卡帕系数为0.677,在城市建成区边缘易出现错分。统计数据比较法平均卡帕系数为0.534,质量更高的灯光数据在该方法下提升明显。拉普拉斯改进的Sobel边缘检测卡帕系数平均为0.442,从结果的形态和精度上看该方法不适用于NPP/VIIRS与Luojia1-01。