本研究主要探讨了基于MODIS NDVI时间序列数据获取耕地的面积、作物季相和植被覆盖变化强度的信息。根据作物种植面积、耕地比和地形数据利用动态聚类法对浙江省的耕作季相进行分区,以保证每个区作物耕作季相尽量一致,为神经网络训练样本的选取提供依据。最终选择浙北平原单季稻区作为研究区,同时获得研究区的NDVI时间序列数据。介绍了MODIS数据的各种预处理流程和产品数据的获得过程,探讨了造成MODIS影像噪声和变形的主要原因及其校正算法,植被指数的合成算法。对TM数据进行辐射定标、几何校正并执行最大似然法分类以获得耕地区的验证数据。利用BP神经网络和RBF神经网络对耕地面积进行提取,探讨了BP神经网络训练函数的的选取和RBF神经网络Spread值的确定对神经网络性能的影响。对最终的提取结果进行了网格分析。研究表明二值输出的RBF神经网络的耕地提取效果要优于BP神经网络;而多值输出的BP神经网络的耕地提取效果要优于RBF神经网络。MODIS提取耕地面积与TM提取耕地面积的最高回归系数为0.92。对NDVI时间序列数据进行离散傅立叶变换,在此基础上根据时间序列上最大值点来提取作物的季相一致性信息。研究表明耕地区的水稻季相存在良好的一致性,而小麦和油菜所对应的时间序列上最大值点的季相一致性没有水稻好。主要是由于油菜花期的存在和研究区小麦油菜生长周期的不一致造成的。在离散傅立叶变换的基础上进行了耕地区的植被覆盖变化强度分析,表明人类活动和人为的种植季相变化等对耕地区的植被覆盖变化强度造成明显的影响。