落叶松作为我国主要的人工林树种,对国土绿化、改善生态环境及增加林业主副产品等均发挥了巨大作用。近年来,因落叶松人工林面积逐年增加,空间分布尚不明确,大面积种植造成树种单一、抵抗环境变化能力弱和病虫害等问题严重。因此,如何快速获得落叶松人工林的空间位置分布成为落叶松人工林栽培研究的热点问题。伴随遥感技术的快速发展,利用遥感数据快速、准确获取落叶松人工林空间分布,对落叶松人工林的培育、合理利用和规划管理均具有重要的指导意义。本文以河北省塞罕坝林场的落叶松人工林为研究对象,根据落叶松的物候和季相特征,选取典型时期的Sentinel-1和Sentinel-2遥感影像。基于光学数据、雷达数据、以及雷达和光学数据相结合的方式,提取落叶松人工林的多种特征信息并进行优选。通过随机森林（Random Forest,RF）、最大似然法（Maximum Likelihood Classification,MLC）和支持向量机（Support Vector Machine,SVM）分类算法提取落叶松人工林的空间分布,对分类算法的性能进行评价。以期得到提取落叶松人工林最佳的分类时相、特征组合及算法,为快速获取落叶松人工林空间位置分布提供一种方法参考。主要研究结果如下:（1）基于Sentinel-1的单时相、多时相及不同方法的落叶松人工林识别。研究结果表明,在各时相中,最佳分类时相为3月份,RF、MLC和SVM使用VV和VH后向散射系数分类最高精度分别为63.82%、60.28%和62.54%,Kappa系数分别为0.59、0.55和0.57,落叶松提取精度分别为76.48%、72.52%和74.09%;它们结合纹理特征的分类精度提高了 3%～8%,表明纹理特征可以提高落叶松人工林的分类精度。因此,在3月利用RF的VV和VH后向散射系数特征及纹理特征的分类结果最好。综合多时相特征组合和特征重要性选择,RF、MLC和SVM的分类精度分别为73.2%、65.5%和67.41%,提取精度分别为83.39%、76.12%和77.33%。其中RF的分类精度和提取精度最高。相比较于单时相的特征组合,综合多时相的特征组合的分类精度和提取精度更高。因此,结合多时相的特征优选,RF算法最适用于落叶松人工林的分类。（2）基于Sentinel-2的单时相、多时相及不同方法的落叶松人工林识别。利用Sentinel-2影像的光谱特征、植被指数采用RF、MLC、SVM提取落叶松人工林。研究结果表明,SVM、RF和MLC仅利用单时相光谱特征在3月份对落叶松人工林分类精度最高,分别为 90.9%、90.1%、88.42%,提取精度分别为 93.11%、91.32%、89.27%,表明光谱特征在提取落叶松人工林方面具有重要的作用。进一步结合光谱特征和植被指数利用RF、MLC和SVM的最高分类精度分别为89.33%、83.75%和82.25%,提取精度分别为92.02%、84.24%和84.11%,相对仅采用光谱特征落叶松分类精度下降1.6%～6.4%,提取精度下降1.1%～7.1%,表明在单时相加入植被指数对于落叶松人工林分类精度没有显著的作用。最后,综合多时相的光谱特征和植被指数分别采用RF、MLC和SVM的分类精度分别为94.82%、93.7%、94.54%,提取精度分别为94.99%、92.92%和94.48%,其中RF的分类效果最好。因此,采用综合时相的光谱和植被指数特征的分类策略最佳。（3）结合Sentinel-1和Sentinel-2的单时相、多时相及随机森林特征因子重要性评估建立特征库落叶松人工林识别。研究结果表明,结合Sentinel-1和Sentinel-2各对应单时相建立的特征集利用RF的分类精度分别为88.4%、82%、88.63%和88.15%,提取精度分别为91.88%、84.35%、89.34%和89.82%。其中6月份的分类精度最高,3月份提取精度最高。因此,在3月份综合光谱、植被指数、VV、VH及纹理特征采用RF分类策略提取落叶松人工林最准确。另外,结合Sentinel-1和Sentinel-2四个时相的特征,基于随机森林特征重要性评估构建的特征集利用RF分类精度为91.25%,提取精度为92.41%,Kappa系数为0.88。相比较于单时相的最佳分类策略,多时相的分类效果更好,表明雷达特征数据结合光学特征数据对于落叶松人工林提取具有一定的潜力。