城市绿地是城市的绿色基础设施和城市的重要生命保障系统，具有重要的生态、经济和社会意义，已经成为评价城市生态可持续与人们生活质量的重要标准。在日益快速的城市化进程中，人们对城市绿地的存在价值、科学规划和管理等问题的关注逐渐提高。遥感技术已经成为城市绿地监测的重要手段，随着遥感成像技术的不断发展，高分辨率卫星影像资源日益丰富，其在城市绿地监测中得到了广泛应用。高分辨率影像中地物细节明显、信息丰富，自动化的计算机解译方法既是高分辨率遥感影像信息提取的重要手段，又是遥感图像处理中的重要研究方向。本文结合高分辨率遥感影像，展开了对城市绿地分割方法的研究。在基于深度学习的遥感图像特征表达研究基础上，结合反卷积网络与条件随机场等方法，研究了基于高分辨率遥感影像的城市绿地分割方法。此类方法需要的人工干预较少，既能保证地物分割效果的整体性，还可避免先分割再标记方法中不良的预分割结果对后期类别标记带来的直接影响。　　本文采用2米空间分辨率的卫星遥感数据，开展公园绿地、高尔夫绿地和其它土地覆盖对象的提取与识别研究，工作内容和成果如下:　　(1)开展了基于条件随机场模型的城市植被覆盖区识别研究　　乔、灌、革是城市绿地的核心，其构成、分布、大小等的组合可以形成功能各异的城市绿地。由于高空间分辨率遥感影像的像素间空间相关性较强，考虑图像上下文信息的条件随机场模型有利于高分影像的植被区提取。该方法结合多尺度多方向的Gabor纹理特征以及图像上下文信息，可以得到比传统遥感图像分类方法更为准确的分割结果。　　(2)研究了基于深度卷积神经网络的绿地特征表达方法　　特征表达是目标识别和地物提取的基础，传统的人工设计特征主要针对特定研究和应用，泛化能力不强。为了更好地进行城市绿地语义类别的区分，研究了基于深度卷积神经网络(DCNN)的高分遥感影像地物高级特征表达方法，通过大量城市绿地样本图像的分析，构建了相应的DCNN模型，实现了高分辨率遥感影像上不同功能绿地的深度特征提取与分类，并通过特征可视化方式分析了深度特征的语义特性。　　(3)结合深度特征提取模型和条件随机场方法，实现了基于高级特征的城市绿地分割　　DCNN对图像进行多次卷积和池化操作后，所提取特征的空间位置信息损失严重，为了在分割中更为准确地刻画地物空间位置和轮廓信息，提出了一个结合反卷积神经网络(DeCNN)和全连接条件随机场(DCRF)的DeCNN-DCRF分割模型。该模型既能充分利用深度网络模型提取的影像高级特征，又能通过DCRF引入长距离的上下文信息，获得更为准确的绿地分割结果。　　(4)建立了用于多时相高分辨率影像城市绿地分割的3DCNN-DCRF模型，有效降低了公园绿地和高尔夫绿地的误分率　　卫星遥感具有周期性获取数据的优势，单时相数据只能获得绿地的瞬时状况，而多时相影像可以全面反映绿地植被的生长过程和变化规律，如果将时空特征引入到城市绿地分割中，可以取得更多特征，提高分割精度。由于传统的DCNN模型同时提取空间维和时间维信息的能力有限，本文研究了适用于多时相遥感影像时空特征提取的时空卷积神经网络模型(3DCNN)，并结合DCRF形成了多时相高分辨率影像的城市绿地分割技术路线。该方法在挖掘空间维度图像特征基础上，结合时间维度上地物光谱变化信息，增加了类别的可分性，改善了城市绿地分割结果。