植被维系着生态系统的稳定,了解植被恢复力的内涵并定量测度植被恢复力,可以为生态系统管理及生态修复提供理论依据。然而,目前的植被恢复力评价体系监测指标及计算方法不一致,同时存在缺少环境变量描述和主观性较强的问题,因此亟待建立能够描述植被动态变化过程和扰动响应特征的植被恢复力测度体系。遥感数据多分辨率、多时相、多波段的特点能够满足对地监测的多种需求,但当前对地观测平台及数据量不断增加,探究多种数据融合应用方法并建立有效监测指标是建立植被恢复力测度体系的关键内容。因此,本文的总体目标是基于植被恢复力的内涵,建立具有普适性的植被生态系统监测指标和植被恢复力遥感测度模型。本文首先采用文献综述法总结了植被扰动因素及影响机理,然后利用数学建模法和统计分析法建立了植被恢复力遥感测度模型,提出了恢复力驱动因素分析方法;采用气候样带法提出并验证了基于蒸散量的干旱监测指标;针对模型变量中时间序列数据存在噪声和缺失值的问题,开发了时间序列重建方法;最后以澳大利亚植被样带、山西翼城农田生态系统和陕西秦岭森林生态系统为研究区,应用该模型测度了植被恢复力并探究了植被恢复力的影响因素。论文主要结论如下:（1）基于时间序列的自回归模型能描述植被动态变化过程和植被生态系统的记忆性,根据植被扰动因素和植被对水分变化的响应关系,以植被指数距平值、温度距平值和干旱监测指标作为模型变量,建立了基于ARx和滞后相关系数的植被恢复力测度模型,并通过变量的相关系数和平稳性检验验证了模型的有效性。同时,利用Copula函数建立极端天气发生概率模型,可以根据其尾部相关性分析植被恢复力变化的驱动因素。（2）干旱指标是植被恢复力模型中的重要变量,本文根据地表-大气水分平衡过程,提出了基于地表水分亏缺量的干旱监测指标CWDa。基于通量塔实测数据和澳大利亚可用水数据库建立CWDa,并在澳大利亚北部降雨梯度带检验CWDa的干旱监测效果。结果显示,CWDa能在湿润至干旱环境下有效检测土壤湿度变化并识别干旱,对深层土壤水分含量敏感性高的特性使其有利于分析干旱地区植被对土壤含水量变化的反馈。不同观测时长条件下建立的CWDa一致性较高,干旱识别结果受有效数据量影响较小。（3）针对植被恢复力测度模型中时间序列数据存在缺失值和噪声的问题,提出了基于监测指标属性及年际差异特征的时序数据重建算法。通量观测数据可以采用DINGO算法获取连续的气象参数和热通量观测数据链,遥感植被指数序列可采用Spline-变权重滤波算法以增加对曲线局部极小值的判断条件。在减少噪声的同时,保留了NDVI时序曲线的合理波动以显示植被动态变化的细节特征。由于蒸散量数据受气象条件及年际差异影响大,因此采用缺失值前、后的数据进行填补能获得较高的估计精度。（4）利用植被恢复力测度模型分析恢复力驱动因素的结果表明,澳大利亚植被样带上的植被恢复力随年降雨量的减少而降低,干旱地区的植被群落在干旱和温度异常时较难保持稳态;山西翼城农田生态系统的植被恢复力受水分亏缺的影响,而陕西秦岭森林生态系统生物量丰富,植被群落未发生明显扰动,恢复力变化不显著。三个案例研究发现,植被恢复力受植被群落结构、极端天气发生概率和降雨量变化的影响,具有较高的树/草比和植被C₄/C₃类型比的群落有较好的植被恢复力。干旱-半干旱地区的植被群落对气候变化更敏感,因此需要加强生态系统的管理,降低稳态转移风险。本文提出了基于环境变量和植被响应特征的植被恢复力遥感测度体系,能够利用遥感数据高效、实时监测不同气候区的植被群落恢复力变化并分析驱动因素,可帮助决策者和管理者进行生态恢复策略的选择及验证。本文共包含图39幅,表26个,参考文献209篇。