植被能够满足关键性的生态系统功能服务需求,在全球范围发挥着非常重要的碳汇作用,是全球气候变化研究中水-碳-氮循环研究的重要对象。植被遥感监测可以对较大时间和空间尺度上的植被类型、森林面积、覆盖率等信息进行获取,并对其变化情况进行监测,具有十分重要的意义。目前的植被遥感研究中,存在时间连续遥感信息缺乏、植被类型精细分类困难、植被覆盖地面调查数据获取困难、植被覆盖度反演方法粗糙等一系列问题,是植被定量遥感研究的难点问题。针对这些研究需求,本文综合采用物候参数拟合、多年时间序列数据合成、JSEG多尺度分割、机器学习等研究方法,提出了基于时间序列遥感数据的植被精细分类与覆盖度反演方法,取得的主要结论如下:(1)基于MODIS时间序列数据的植被精细分类呼伦贝尔北部地区不同植被的物候信息有较明显的特征,森林生长季最早开始(145-160 DOY),结束时间较早(250-275 DOY),草原生长季开始时间(160-170 DOY)略微滞后于森林,但总体生长季长度与森林持平;作物生长季开始时间较晚(170-195 DOY),结束时间较早(225-285 DOY),生长季短而集中;利用植被物候期关键参数进行决策树分类,总体精度达到81%。(2)基于多年合成Landsat时间序列数据的植被精细分类广东省常绿针叶林、常绿阔叶林和灌丛在1-3月份EVI值具有较为不同的变化趋势,人工林、灌丛、常绿阔叶林在7-8月也具有不同的EVI特征,而农田与其他植被覆盖类型时间序列EVI区别较大,使用多年合成Landsat时间序列EVI数据的随机森林分类方法总体精度达到80.03%。随机森林特征参数重要性得分排序结果表明,广东省植被冬季到春季物候变化特征是区分植被类型的重要决定因素,夏季物候信息和DEM信息也是区分不同植被类型以及区分植被和非植被的重要影响因素。(3)基于JSEG多尺度分割方法和无人机影像的森林植被覆盖度提取不同的分割尺度对于解决不同的分割需求具有各自的优势,尺度-1有利于分割提取单个树冠,而尺度-4则对于区分光照和阴影区域来说是最适宜的尺度;阴影区域的树冠面积提取总体精度比光照区域的总体精度略差,浓密分布采样点取得的树冠面积提取总体精度要略低于稀疏分布采样点的总体精度;在采用尺度-4的JSEG分割下,采用滤波窗口为9×9的开运算在全部4种种植密度和光照情况的组合中均取得了最优的树冠面积提取的总体精度,针对所有样本点的树冠面积提取总计精度达到90%。(4)基于多年合成Landsat时间序列数据的森林植被覆盖度反演7月的EVI数据是植被覆盖度逐步回归反演的最适月度数据;5月、9月的EVI数据也在植被覆盖度逐步回归反演中起到重要作用;5-8月EVI数据在植被覆盖度随机森林回归反演中取得了较高的重要性得分,体现了夏季数据对于植被覆盖度反演的重要性。随机森林回归常绿阔叶林和人工林植被覆盖度相关性决定系数分别达到0.52和0.5,灌丛植被覆盖度相关性决定系数为0.27;常绿针叶林支持向量机回归反演取得较好效果,相关性决定系数为0.59。从分布上来看,常绿阔叶林所占比例随着海拔高度的升高不断增加,人工林所占比例随着海拔高度的升高不断减少,常绿针叶林所占比例随海拔变化趋势不明显;广东省植被覆盖度空间差异性很大,无植被或者低植被覆盖度部分主要分布在平原地区,高植被覆盖度部分主要分布在较高海拔地区。广东省植被覆盖度平均值最高的植被类型为人工林,其次为常绿阔叶林和常绿针叶林,而灌丛植被覆盖度平均值最低。研究得到广东省2014-2016年森林植被覆盖率为52.46%,与第八次全国森林资源清查广东省植被覆盖率(51.26%)一致。通过以上研究内容,本研究有效弥补了单一年份遥感数据时间序列信息的缺失,取得了植被精细分类总体精度的提升,显著提高了复杂地表情况下阴影地区森林植被覆盖度的提取精度,更加精准高效地获得了森林植被覆盖度反演结果。本研究为地表植被的精细分类和植被覆盖度反演提供了更多的理论依据和方法参考。