城市化水平的不断提高加重了人类活动对生态环境的压力，制约了资源和环境的可持续发展。基于遥感数据的城市建成区范围的准确提取对监测城市扩张的动态变化，科学合理地指导城市规划，保护有限的土地资源和生态环境均具有十分重要的指导意义。　　利用传统的两类或多类分类法提取建成区的信息时，需要基于所有地物类型的训练样本进行分类，分类精度也与建成区的识别精度无直接关系。单类分类法只需要目标类别的训练样本即可完成分类，分类精度可以较好地反映目标的识别精度，因而在单目标识别领域具有良好的发展前景。然而，该类方法在遥感中的应用并不多见。本文将五种单类分类法应用于建成区的遥感信息提取中，评价不同方法对建成区识别能力的差异，并通过与传统的多类分类法比较，检验其有效性。针对传统的局部二值模式（LBP）纹理用于城市建成区空间特征表达所存在的问题，对现有的LBP纹理提取算法进行了改进，以使其更有效地描述建成区的空间异质性，并评价了空间特征在单目标识别中的潜力和局限性。为了获得更准确的城市建成区信息，将多源数据（包括光学数据、SAR数据和空间纹理信息）应用于城市建成区的提取，提出了将多源数据与单类分类法相结合的建成区识别方法，并分析了不同数据组合对建成区的识别性能。所得结论如下：　　1.在不同数据源的建成区单目标识别中，单类分类法能获得与传统多类分类法精度相当，甚至更高的分类结果，从而证明其应用于建成区信息提取是有效的；　　2.基于单传感器数据的单类分类结果中，城市建成区未获得理想的识别精度。光学数据难以将光谱特征相似的建成区和非建成区类别区分开来；SAR数据虽能准确地探测出建成区的范围，但分类结果中建成区内部“椒盐状”噪声较多，建成区漏分类的现象较严重；　　3.受严重噪声的影响，传统LBP纹理特征不能有效地表达建成区的空间异质性特点。基于改进LBP算法从SAR图像中提取的纹理特征能更好地描述建成区的空间特征，与光谱特征组合后对城市建成区单目标的特征描述也更加准确，获得了比单纯光谱数据更优的分类结果；　　4.基于多源数据的单类分类均获得了精度显著高于单数据的分类结果，但不同数据组合对建成区的识别性能存在差异：多传感器数据的分类结果继承了SAR数据对建成区范围较精确探测的优势，光学数据的加入也有效减弱了噪声的影响；光谱和纹理特征的结合显著减轻了较平滑的非建成区地物类型（如裸地）与建成区的混淆程度，对空间特征显著的低密度建筑区也具有良好的识别能力，但纹理对噪声的敏感性加重了非建成区的误分类现象；光学、SAR与纹理特征组合的数据获得了比前两种组合更优的分类结果，纹理产生的虚警有所减弱，但非建成区错误分类为建成区的现象有所加重；　　5.基于多分类结果的优化结果较好地整合了不同单类分类结果的优势，使建成区的生产者精度和用户精度均超过96％，获得了理想的信息提取精度。