陇西黄土高原位于中国黄土高原西端,地貌类型以黄土墚峁丘陵沟壑为主,区域内丘陵沟壑纵横交错,地形破碎复杂。受自然地理环境影响,陇西黄土高原大部分地区较干旱,降雨量稀少且分布不均;区域内植被覆盖率低,北部多为荒漠草原,土壤沙化、荒漠化现象普遍,水土流失严重,生态环境脆弱。土地覆被在生态环境研究、城市规划与管理、水土保持等方面起着至关重要的作用,其变化研究为区域可持续发展提供了重要的参考。在陇西黄土高原生态监测中土地覆被发挥着指导性作用,但由于该区域内地物分布复杂、地形过于破碎、植被季相变化大,传统土地覆被分类方法存在“椒盐”噪声现象或易忽略破碎地物信息等问题,如何有效提高其土地覆被分类中破碎小目标地物以及复杂边界的分类精度一直是一个有待解决的难题。过去5-6年来深度学习语义分割方法的快速发展为这一问题的解决提供了新的途径。本文利用缨帽变换对地物的区分特性以及卷积神经网络在图像分类中的适用性,基于典型陇西黄土高原区域的Landsat数据,提出一种改进的Attention U-Net（IA＿UNet）模型,为陇西黄土高原复杂的土地覆被分类提供了参考,主要成果以及结论如下:（1）本文结合Landsat数据及野外调查数据,构建了陇西黄土高原会宁县、临洮县和渭源县的土地覆被参考数据集。该数据集注重小目标地物的完整性以及陇西黄土高原的复杂边界。（2）构建陇西黄土高原土地覆被语义分割模型。本文以Attention U-Net语义分割模型为基础,引入位置注意力模块与通道注意力模块增强模型对局部特征和全局特征的提取。将本文提出的IA＿UNet模型与Attention U-Net、FCN、Res Net-FCN、U-Net、Deeplab V3+模型的分割结果进行比较,结果表明,IA＿UNet模型获得的总精度、FWIo U和Kappa系数比其余五种模型分别提高了0.25-2.09%、0.44-3.23%和0.01-0.04。研究发现,IA＿UNet模型可有效提取小目标地物和陇西黄土高原复杂的地物边界。（3）验证了缨帽变换特征分量的引入有利于分类精度的提高。在模型输入数据组合方面的实验表明,将Landsat影像波段（蓝、绿、红、近红外、短波红外1和短波红外2波段）与缨帽变换三分量（亮度、绿度、湿度分量）组合作为输入数据能够有效区分易混淆地物。该输入数据组合得到的总精度、FWIo U和Kappa系数分别为82.76%、71.00%和0.68;与单纯使用Landsat影像波段组合相比,总精度、FWIo U、Kappa系数分别提高了0.73%、1.17%、0.01;与缨帽变换三分量组合相比,总精度、FWIo U、Kappa系数分别提高了1.31%、1.92%、0.02。（4）将本文提出的深度学习方法与现有基于像元（FROM-GLC数据集）和基于对象方法（Globe Land30）得到的结果进行比较,结果表明,本文方法对破碎地物的提取更完整,其获得的总精度、FWIo U和Kappa系数相较于传统的基于像元的分类方法分别提高了23.64%、27.8%和0.41,相较于基于对象的分类方法分别提高了9.83%、14.48%和0.2。（5）本文提出的卷积神经网模型具有一定的时间泛化能力,将本文基于2017年数据训练获得的模型迁移到2002、2009、2015及2021年Landsat影像中,得到的土地覆被分类结果总精度、Kappa系数和FWIo U分别达到80-85.74%、0.67-0.79和67.03-75.05%。其中,2015年得到的总精度、Kappa系数和FWIo U均为最高。对会宁县、临洮县和渭源县2002-2021年四期土地覆被分类结果中水体、居住地、耕地、草地及林地面积进行变化分析,结果表明:近20年间居住地、草地及林地面积呈扩张趋势,会宁县三者分别增加32.72 km~2、1147.53 km~2、90.37km~2;临洮县三者分别增加44.67 km~2、160.11 km~2、87.16km~2;渭源县三者分别增加26.64km~2、52.59 km~2、146.44km~2。耕地呈缓慢减少趋势,会宁县、临洮县和渭源县分别减少2640.01 km~2、292.22 km~2、223.14km~2。水体面积无明显变化趋势。20年间会宁县居住地和林地变化幅度较大,分别为5.3%和6.19%;临洮县居住地变化幅度最大,为6.32%;渭源县同样是居住地变化幅度最大,为4.81%。