植被净初级生产力（Net Primary Productivity,NPP）是反映生态系统碳储量、汇碳功能、固碳能力的重要表征。开展植被的NPP估算在城乡节能减排、低碳规划等工作中具有重要意义。植被类型提取及其空间分布格局是进行估算的重要前提。随着高分辨遥感技术的不断发展,利用遥感解译及目标识别能够提取植被信息,实现植被NPP的有效估算。然而,现有像素级NPP估算成果,缺乏地理空间细节描述,仅满足面积统计、定性分析等简单需求,难以直接服务于精准化的监测与评估。本文选择位于江西省西部地区的上栗县为实验区。开展了基于多源数据的植被NPP估算及驱动因素分析方法研究。首先,以深度学习为遥感解译的技术手段,借助高空间分辨遥感数据和中低分辨率遥感数据之间信息互补的优势,完成了地物类型信息提取。其次,以地类图斑的栅格化结果作为改进的CASA模型的输入数据,构建了植被类型NPP估算流程,从而为植被NPP的监测和精确估计提供参考。具体包括三个方面:（1）基于高空间分辨率数据的地类图斑提取以谷歌高分遥感影像（分辨率为1.02米）,根据不同地物类型在影像中呈现光谱、纹理等特征,分别选用不同的深度学习模型进行训练提取。耕地主要分布于平坝区,其形态规整,排列较为紧凑,在高分影像上能清晰的辨别耕地边界,因此选用RCF边缘模型提取耕地的边缘信息。对于林地和其他地类等边缘特征不明显的地物提取选用D＿LinkNet网络模型进行提取。将不同地物类型的样本进行训练,最终获取得到2010年、2015年及2020年试验区地类图斑。（2）基于时空关联与统计的植被类型判别本文以Landsat系列数据为基础结合实地调查数据,分别选取2010年、2015年、2020年乔木林地、灌木林地、竹林地、疏林地和草地样本,对实验区进行分类。将分类结果与地类图斑进行空间关联和统计分析,最终得到含有属性信息的地类图斑数据。（3）基于改进CASA模型的植被NPP估算及驱动因素分析结合时序NDVI数据集、气温、降雨以及太阳辐射量数据,将地类图斑结果栅格化,该结果作为改进的CASA模型的输入数据,最终估算得到2010年、2015年、2020年三期不同地物类型的NPP值,再通过区域统计分析得到不同植被类型地块图斑的NPP值。同时,分析了三期上栗县不同植被类型年际、月度NPP时空变化特征,还进一步探讨了气候因子的变化对NPP的影响。综上,本研究获取了2010年、2015年以及2020年研究区不同植被类型NPP估算地块级结果。该结果不仅满足空间定位信息准确、空间制图及定性分析等基本要求,同时还具有良好的空间细节信息,实现了植被NPP结果在地块级尺度上的精细化表达。该方法为植被NPP估算研究提供了一条可行的思路,同时也为后续碳循环、碳源/汇等研究提供客观化、定量化的数据支撑。