植被是重要的自然资源之一,是地面生态系统的重要组成部分和反映生态环境变化的重要指标,也是实现生态资源可持续利用发展的重要基础,其在净化空气、调控气候、固水保土和改善人类生活环境等方面起着重要的作用。随着无人机遥感技术的迅速发展,遥感影像空间分辨率也在逐步提升,植被类型的精细识别以及植被信息的准确提取对于保护生态环境和规划生态资源具有重要意义。传统的遥感影像植被识别方法对于特征复杂的植被很难有效区分,难以考虑周围像元的上下文特征信息,容易存在“同谱异物,同物异谱”现象。而常规的机器学习方法在无人机植被覆盖影像上的植被信息提取中依赖复杂的特征工程,容易忽略植被之间的特征关系,模型易产生过拟合且泛化能力较差的问题。近年来,深度学习方法得到迅速发展,基于深度学习方法对遥感影像植被的精细识别已被广泛应用。本文结合无人机影像设计了植被智能识别模型,以安徽大学磬苑校区作为研究区域,利用该模型提取了研究区多时序影像中的植被信息,并对植被的时空分布变化进行了分析,实现了精细化的植被遥感监测和城市绿地景观格局分布变化因素分析。本文研究成果可为绿地空间利用和生态资源调查提供技术支持和数据依据,主要成果如下:（1）针对现有遥感影像植被识别方法存在难以准确提取植被信息,识别结果存在严重的漏分、错分现象的问题。本文设计了一种多尺度特征感知网络,该网络在输入层引入坐标卷积减少空间信息的丢失,构建多层并行网络增强尺度信息,减少细节信息的丢失,同时利用分离特征模块,扩大感受野并获取多尺度特征信息,缓解了植被漏分、错分现象,有效提高对植被特征信息的提取能力,提升了模型的普适性和泛化能力。（2）本文方法在无人机遥感影像植被识别中,使用了平均总体精度OA、平均综合评价指标F1和平均交并比IOU作为评价指标,精度分别为89.54%、75.85%和65.45%。在相同环境条件下,本文方法在各项精度评价指标上均优于Deeplab V3+、Segnet、Bisenet等其他方法,在边界细节的识别和多类型植被分割的完整性上更具优势,在不同区域的无人机遥感影像上的植被识别具有通用性。并且对于不同时序的遥感影像的植被识别也具有良好的识别效果,证明了本文方法良好的泛化能力和适用性。（3）基于智能识别提取结果分析了植被的时空变化情况。根据研究区多时序植被识别结果,结合景观指数分析法,对研究区景观格局变化、驱动力因素和植被类型间转移进行了研究,通过分析结果可知,磬苑校区景观受到的外在干扰程度在增加,植被类型种植面积人为扰动强度正在不断增强。不同时间跨度的转换期内,综合植被类型转换年动态度均较高,呈现出转换强度的剧烈。