积雪和冰川作为青藏高原淡水资源的重要组成部分,其动态变化对中国乃至亚洲多个流域的水文过程以及水资源量估计具有重要意义。三江源地区雪山、冰川分布广阔,冰雪融水是长江、黄河、澜沧江的重要补给来源,其时空变化对三江源地区水文过程与水资源具有重大影响。获取准确的长时间序列冰川边界数据是研究冰川变化及其对水文过程影响中最基础的工作。传统的冰川提取方法在不同区域、不同环境甚至不同时间下对冰川边界的提取精度差异较大,难以开展大面积、长时序的冰川提取。近年来,随着神经网络算法的发展,深度学习方法已被证明能够高效且准确的从遥感影像中提取目标地物。因此,开发一种能够适应不同天气条件、不同地理环境的深度学习网络对于快速准确的提取三江源地区长时间序列冰川边界数据具有重要意义。目前已有许多水文模型能够用于流域水文过程的模拟。然而由于冰川通常分布在观测站点稀少的偏远山区,导致基础数据资料有限,因此目前的水文模型均简化甚至忽视了冰川消融对于流域水文过程的影响,直接将这些水文模型应用到三江源流域无法准确刻画该流域水文过程的物理机制,从而无法获得满意的模拟结果。因此,本研究利用深度学习方法提取三江源地区长时间序列冰川边界数据并分析其时空变化特征;根据冰川消融的物理过程设计冰川消融模块,并将其耦合到分布式水文模型中,从而提高水文过程模拟的精度,此外本研究利用遥感反演的积雪深度数据以及基于遥感影像提取的冰川面积变化数据对冰川消融模块进行精度验证,从而提高结果的可信度。本研究主要得到以下研究结论:（1）相比于其他提取方法而言,本研究提出的M-Lands Net网络具有更高的提取精度和泛化能力,能够更好的适应地理位置、地理环境和天气条件的变化;利用M-Lands Net网络提取了三江源地区从1986年至2021年每3年一期的冰川边界数据,分析结果表明三江源地区近36年来冰川面积减少了16.53±4.08%;通过与现有的研究区内冰川面积研究结果进行对比验证,证明了本研究所提取的长时间序列冰川边界数据集具有较高的精度,可作为后续水文过程模拟的驱动数据以及水文模拟结果的验证数据。（2）1980―2019年三江源地区积雪日数和积雪深度均呈现下降的变化趋势;积雪区域面积正在逐渐缩小,由大面积的面状分布逐渐变成零散的点状分布。积雪日数和积雪深度数据的时空变化具有较高的一致性。此外,本研究获取的积雪变化趋势大小及分布与现有研究结果相近,这表明本研究所采用的积雪覆盖和积雪深度数据集能够有效的反映三江源地区真实的积雪动态情况,可用于后续冰川消融模块中积雪模拟精度的验证。（3）本研究设计的耦合冰川消融模块的Glacier-ESSI-3模型比原始ESSI-3模型具有更高的模拟精度,能够有效的反映冰川消融对流域水文过程的影响。本研究进一步利用遥感估计的积雪和冰川变化数据来验证Glacier-ESSI-3模型对积雪和冰川消融的模拟精度,验证结果表明Glacier-ESSI-3模型模拟的积雪和冰川变化与利用遥感技术估计的积雪和冰川变化具有很好的一致性,能够有效的反映长江源和黄河源流域真实的积雪和冰川动态。长江源流域积雪+冰川总融水对径流量的贡献率呈现波动上升的趋势,但黄河源流域积雪+冰川总融水对径流量的贡献率的变化较小,积雪对长江源和黄河源流域径流量的多年平均贡献率分别为9.68%和5.53%;而冰川分别为3.12%和0.96%。本研究证明了冰川消融对于长江源和黄河源流域的水文过程均具有不可忽视的影响,且定量化模拟了积雪、冰川对长江源和黄河源流域径流量的贡献率。研究结果可以为冰川快速提取提供一种新的方法,为高原寒区流域的水文过程模拟提供更加完善的模型,从而为三江源地区水资源和生态环境的保护提供理论依据。