土地利用/覆被变化与气候变化、人类活动、地表水文-生态过程等紧密相关,土地利用/覆被信息是研究区域气候变化响应、水文生态演化和土地利用变化的基础数据,开展基于高精度卫星影像和深度学习的土地覆被信息提取方法研究,提高土地覆被分类效率、精度和智能化,对快速定量获取土地覆被类型和特征具有重要意义。本文以三江源国家公园—黄河源园区为对象,采用深度学习方法开展地物分类研究,以探索各种深度学习语义分割方法在以高寒草甸为主的黄河源园区的分类识别效果。论文主要工作包括:选择合适的数据源,制定土地覆被分类系统,处理遥感影像数据,选择能反映地物差异的光谱特征,构建样本数据集;基于FCN8s模型加入批标准化过程,构建FCN8s＿bn模型,基于FCN8s＿bn以及SegNet、PSPNet分别对不同样本裁剪方案进行实验,确定最优样本尺寸以及影像重叠率;对比FCN8s与FCN8s＿bn模型的分类性能,并通过与SegNet、PSPNet、HRNet以及UNet的分类结果进行对比,探索各语义分割方法对黄河源园区高寒生态系统的适用性;利用FCN8s＿bn模型提取多年水体,分析水体面积变化。得到的主要成果和结论如下:（1）样本尺寸和相邻样本间重叠率对分类效果有一定的影响。以Landsat 8OLI影像为数据源,选择近红外、红色和短波红外1波段为RGB合成影像,进行实验。结果表明:增加样本裁剪尺寸可以提高地物分类精度,尤其是尺寸较大的地物类型;重叠率从0增加到50%时,分类精度提高明显;从50%增加到75%时,林地、高覆盖度草地的精度提升明显。选取裁剪尺寸128×128,相邻图像块重叠75%,构建黄河源园区样本数据集,分类效果较好。（2）基于不同语义分割模型的分类实验表明,FCN8s＿bn模型各精度指标均高于FCN8s,其中像素精度为81%,较FCN8s提高16.6%;5种语义分割模型互相对比,FCN8s＿bn略优于其他模型,其中UNet模型效果最差,不能识别样本数据较少的几个类别。（3）三江源国家公园黄河源园区,近30年间水体面积约为1486～1590 km2。2000以来,水体面积呈扩张趋势,平均每年增长10.12 km2。降水与水体面积呈正相关,其对水体面积的影响大于蒸发。