植被作为生态环境中较为敏感的指示器,对于生态环境的保护和建设意义重大。遥感影像包含丰富的地物信息,利用遥感技术可以进行较大范围的植被监测。虽然目前深度学习方法已被广泛应用于遥感植被提取,但是在植被多分类提取精度较低。除此之外,当前植被多分类提取大多利用遥感影像原始波段信息,高分辨率遥感影像由于波段信息较少而难以有效区分各类型植被。针对以上问题,本文提出一种遥感影像原始波段与NDVI相结合的深度学习方法,并利用该方法对包河区内大圩镇、骆岗街道、望湖街道、烟墩街道和滨湖世纪社区进行植被多时序变化分析。本文的主要研究如下:（1）本文基于遥感影像原始波段及其植被指数,利用深度学习方法对研究区内的农作物、草地、乔灌木、水生植物四种植被类型进行分类提取。其中农作物包括旱地作物和水田作物;草地包括人工草地和荒草地;乔灌木包括乔木和灌木;水生植物包括浮水植物和挺水植物。在经过实地调查后确定GF-2遥感影像中各植被类型的解译标志,并利用遥感影像原始波段数据、植被指数数据以及对应的目视解译结果构建样本库,用于深度学习模型训练。（2）提出用于植被分类的深度学习方法。该方法在数据上结合合遥感影像原始波段及其植被指数。网络上采用四条子网并行连接的结构,从第一支子网到最后一支子网,特征图分辨率依次高到低,本文采用多分辨率特征融合的方式,用以最大程度地保留各种分辨率特征,引入密集连接模块,以达到提升梯度反向传播的目的,最后加入空洞空间金字塔池化模块,扩大感受野,得到多尺度信息,有效提高分类精度。（3）本文首先利用GF-2遥感影像的原始波段进行训练和测试,再将GF-2遥感影像的原始波段分别与NDVI（Normalized Vegetation Index）、DVI（Difference Vegetation Index）、RVI（Ratio Vegetation Index）三种植被指数组合作进行模型训练和测试,证明了GF-2遥感影像原始波段与NDVI的数据组合对植被分类提取的优越性。再将本文提出的深度学习方法与Deeplab-V3+、Bise Net、DCCN三种深度学习模型的分类精度做对比,本文方法在OA（overall accuracy）、F1（F1-Score）、IOU（Intersection over-Union）的平均精度分别为94.04%、86.79%和75.03%,高于对比的三种深度学习方法,证明了本文方法的有效性。（4）利用本文方法对2014年、2015年、2019年和2020年研究区遥感影像进行植被变化分析。利用NDVI数据分别对四年的遥感影像进行植被覆盖计算,并进行等级划分,分析相邻年份间的植被变化。结果表明:研究区整体植被整体覆盖度从2014年到2015年有所降低,在2015到2019年以及2019年到2020年这两个时间段内处于增长状态。其中植被覆盖度等级变化最大为义城街道西部、中部及南部,骆岗街道中部以及烟墩街道中部,变化最小为滨湖世纪社区、大圩镇。除此之外,本文选取了斑块数（NP）、平均斑块面积（（?））、边界密度（ED）、聚集度指数（CONTAG）这四种景观格局评价指标对包河区四种植被类型进行景观格局变化分析。通过分析可知,2014-2020年期间研究区植被景观整体核心斑块分散度较高,农作物和乔灌木指标变化较大,斑块和景观稳定性较差;草地和水生植物指标变化相对较小,较为稳定。