高精度的城市绿地空间监测对优化城市绿地空间结构、维护城市生态平衡以及开展绿色城市建设具有重要意义。随着我国卫星技术的快速发展,兼具高空间分辨率与宽覆盖特点的遥感影像为城市绿地信息提取等领域提供了重要的数据保障;另一方面,深度学习语义分割模型的飞速发展,也为高分辨率遥感影像城市绿地快速、高精度提取提供了算法支撑。本文选择北京市五环内城市绿地为研究对象,选取多时相的高分2号遥感影像作为数据源,提出一套结合特征工程的深度学习城市绿地自动分类方法,用来预测北京市五环内城市绿地分类。在此基础上,综合运用遥感技术、地理信息系统技术及景观格局分析技术对北京市五环内的城市绿地进行景观格局分析和碳汇功能评价。论文的主要工作如下:首先,为了探究不同方法对高分2影像城市绿地的分类效果,本文对比了最大似然法（Maximum Likelihood Estimation,MLE）、支持向量机（Support Vector Machine,SVM）和神经网络（Neural Networks,NNs）三种传统机器学习分类方法以及Seg Net、Deep Labv3+、U-Net和HRNet四种深度学习语义分割模型,各方法的总体分类精度依次为:HRNet（93.15%）、U-Net（93.08%）、Seg Net（92.61%）、Deep Labv3+（91.57%）、NNs（89.34%）、SVM（86.15%）和MLE（78.87%）。实验结果表明深度学习城市绿地分类方法能充分挖掘数据的深层特征信息,有效降低分类过程中产生的“椒盐噪声”,相比传统机器学习分类方法更适用于城市绿地信息提取。其中,HRNet在城市绿地分类任务上表现更优,总体分类精度达到93.15%,权频交并比（Frequency Weighted Intersection over Union,FWIo U）达到87.90%。其次,为了提高HRNet在城市绿地分类任务上的分类性能,本文对模型进行一系列优化。通过引入Focal Tversky Loss损失函数以减轻城市绿地分类任务中的数据不平衡问题;通过对城市绿地数据集进行数据增强以提高模型泛化能力,减少小样本数据集过拟合问题;通过添加学习率自动优化和训练提前终止策略实现模型最佳参数训练。实验证明使用Focal Tversky Loss的总体分类精度相比使用交叉熵损失提高了0.22%,FWIo U提高了0.24%。使用数据增强后,常绿树和草地的分类效果有所提升,模型具有更好的泛化能力,总体分类精度达到93.55%。然后,为了弥补高分2号遥感影像的波段数有限,光谱信息相对欠缺,特征丰富度不足的问题,本文提出了一种结合特征工程的高分遥感影像城市绿地深度学习分类方法。分别从植被、物候和纹理三个特征出发构建城市绿地特征工程,选取归一化植被指数（Normalized Difference Vegetation Index,NDVI）作为影像的植被特征;构建夏季与冬季影像NDVI差值将其作为影像的物候特征;通过灰度共生矩阵和LBP（Local Binary Pattern）圆形算子获取图像纹理特征图,并通过Relief F算法进行特征优选获得影像的最佳纹理特征。分别将植被、物候、最佳纹理特征作为辅助波段加入HRNet模型进行训练分类。实验结果表明,引入植被特征和物候特征均能有效提高城市绿地的分类精度,而纹理特征加入并未提升测试区城市绿地的分类结果。研究进一步采用模型融合方法来优化最终的分类结果,融合后的模型较好的结合了植被特征和物候特征的优势,弥补了常绿树落叶树混分的问题,也解决了草地错分漏分的现象,总体分类精度由未加入任何特征的93.55%提升到94.50%,落叶树、常绿树和草地的F1-Score相比未加入任何特征的分类结果分别提高了1.4%,6.55%和4.97%。最后,利用本文提出的结合特征工程的深度学习城市绿地分类方法预测北京市五环内城市绿地分类结果,在此基础上运用Fragstats景观格局软件,从城市绿地斑块构成、城市绿地斑块破碎化、城市绿地景观多样性三个方面定量地对北京市五环内区域和四个环带的绿地景观空间特征进行分析。并构建北京市五环内100m×100m网格,利用遥感面积估算法估算北京市五环内区域每公顷城市用地的固碳量和二氧化碳吸收量。研究发现北京市五环内区域城市绿地空间格局中,落叶树在城市绿地斑块构中占据绝对优势,占总城市绿地面积的82.51%,常绿树和草地的面积占比较低,分别是8.05%和9.44%。北京市城市绿地受城市发展和人类活动影响,绿地斑块破碎度较高,景观多样性与均匀性适中。此外,北京五环内城市绿地的碳汇功能不容小觑,北京市五环内城市绿地年固碳量约2994.75×106kg,年均二氧化碳吸收量约11091.63×106kg。