【摘要】机器学习算法广泛应用于光谱分类领域，不同算法模型的选择将直接影响地物的分类效果。本研究以伊犁绢蒿荒漠草地的3类主要地物伊犁绢蒿（Seriphidium transiliense）、角果藜（Ceratocarpus arenarius）及土壤为分类对象，在植被生长旺盛期采集草地植被群落高光谱数据，通过分析不同地物的光谱反射率差异，筛选出特征波段代入最佳指数因子（Optimum Index Factor，OIF）并合成假彩色图像，采用随机森林（Random Forest，RF）、支持向量机（Support Vector Machines，SVM）、人工神经网络（Artificial Neural Network，ANN）3种不同机器学习算法建立分类模型进行研究。结果表明：1）植物光谱反射率在可见光波段呈现出倒“U”型趋势，在近红外波段开始骤升，出现“红边”现象；土壤的光谱反射率变化趋势较为稳定，随波长增加而逐渐上升。2）利用OIF计算出的最佳分类波段组合为：499.69、535.78、633.28 nm，OIF值为0.10。3）3种不同的机器学习算法的总体分类精度均大于90%，随机森林算法分类模型精度最高，总体精度达到97.54%，Kappa系数为0.95；不同算法下3类地物的分类精度表现为：土壤>伊犁绢蒿>角果藜。总体而言，采用随机森林算法对伊犁绢蒿草荒漠地主要地物分类效果最佳。