精确的土地利用/土地覆被数据对区域土地规划、城镇化建设以及生态环境保护等方面均具有重要的指导意义。本文以SOPT6影像为研究数据,基于面向对象分类方法与机器学习方法之一的随机森林分类方法,分别对湟水流域土地利用/土地覆被信息进行提取,并对两种方法的分类精度进行评价与对比分析,旨在为研究区确定更适合的土地利用/土地覆被信息提取方法。主要研究结论如下:(1)面向对象分类最优的分割尺度在40-150之间,颜色因子权重高于形状因子权重,紧致度因子权重高于光滑度因子权重时,分割结果比较符合研究区各地物特征。确定的三个分割层,Level1分割尺度确定在110-150之间,用于区分植被与非植被;Level2分割尺度在60-90之间,用于区分一级地物类型;Level3分割尺度为40-60之间用以区分二级地物类型。这一分割过程符合实际状况,相应取得了较好的分类结果。(2)面向对象分类中对象特征作为影像分析的重要依据,本文中利用长宽比和形状指数区分开了河流和水库;城乡、工矿、居民用地在波段均值和各纹理特征与其它地物区别较为明显;耕地与林地分别利用近红外波段标准差、红波段均值、标准差以及纹理特征中的协同性、方差、均值、标准差等多特征结合进行区分;研究区的有林地与疏林地主要利用DEM数据来区分。表明了多对象特征相互补充对于提高影像分类精度是非常有必要的。(3)随机森林分类中选取了光谱特征、地形因子、纹理特征共24个特征参数,分别对三个分区的24个分类特征进行重要性评估和筛选,三个分区的特征参数重要性评价结果均显示光谱特征中除影像原始的四个多光谱波段外,NDVI与NDWI均较为重要,地形因子中海拔高度和坡度较为重要,纹理特征中的均值(Mean)、协同性(Homogeneity)、非相似性(Dissimilarity)、信息熵(Entropy)均较为重要。(4)分类精度评价时整个流域面向对象的多层次分类规则方法总体分类精度为90.93%,Kappa系数为0.90。基于机器学习的随机森林分类方法总体分类精度为90.63%,Kappa系数为0.90,面向对象分类精度与分类效率均优于随机森林分类。(5)在随机森林方法的分类结果出现较为严重的“椒盐”现象,一定程度上对分类精度产生影响;而面向对象分类结果中地物边界较为清晰规整。面向对象的分类结果更为符合实际地物分布,相比随机森林分类方法更加适合研究复杂地形区中高分辨率的影像信息提取。