为了探索中国南方典型湿润山区不同机器学习模式植被类型的分类效果，基于无人机遥感图像、野外观测数据和数字高程模型建立了遥感特征。选择决策树、随机森林、支持向量机和AdaBoost模型建立安徽屯溪盆地植被类型的遥感分类模型。Kappa系数、均方误差的总体精度分析和比较了四个机器学习模型在典型小流域中的适用性。结果表明，AdaBoost模型对林地类型的分类精度最高，表明AdaBoost模型在林地分类中具有明显的优势。对于非林地类型，模型之间的精度差异较大，而随机森林模型的精度最高。总体而言，四种模型在南方典型湿润山区的典型小流域中都能取得较好的分类效果，其中AdaBoost模型的总体精度为95.55%，Kappa系数为0.9419，两者都是最高的，支持向量机模型的性能最低。地形因子和纹理特征等辅助特征为分类过程提供了重要信息，有助于提高分类精度。