监测地表水的范围和动态变化对于更好地了解自然过程、人为因素以及气候变化至关重要。因此,如何实现高效、高精度的地表水信息提取,备受关注。本文就国内外研究进展综述了地表水信息提取的数据源、地表水特征、提取方法。总结各种传感器、遥感影像的时间、空间分辨率,以及地表水的光谱、时间和空间特征在地表水信息提取时的作用。分析了基于像元、面向对象和分类器法水体提取方法在方法构建、准则判别和方法适用性上的差异和适用性。指出现阶段观测需求与时间分辨率不完全匹配的情况下,要综合数据源属性和水体特征,开展地表水的动态刻画研究。总结出云、雾、雪和阴影的存在是影响地表水信息提取的主要因素,而基于本地实现大尺度长时间序列的影像处理对于大多数科研工作者不仅不现实,且不能充分发挥遥感数据优势。本实验为科研工作者验证了国际基于先进国内研究使用起步较晚且面向对象还不丰富的Google Earth Engine（以下简称GEE）云计算平台利用其强大的计算能力和丰富的数据资源,充分发挥遥感数据时间特征和空间特征,创新的利用在时间序列、空间位置两个维度选择的样本点,分析各个水体指数和植被指数的反射率变化验证了融合多指数地表水监测模型在黑龙江流域的适用性,并依据研究区影像分布和地理地貌组合出新的监测规则。通过计算全年的影像进行水体信息提取,打破了传统方法中依据特定时段代替全年的信息局限性。获得了 1985年至2018年34黑龙江流域地表水空间分布数据集。计算了水体存在频率,实现了年内、年际水体类别划分（常年性水体和季节性水体）,进而对黑龙江流域的地表水进行了详实的时空变化分析和定量结果统计。对黑龙江流域地表水变化情况进行了分析总结,并分析地表水变化的主要因素。本文的主要工作和结论如下:（1）国际先进的地理云计算平台Google Earth Engine对处理遥感影像有着强大的计算优势,为科研工作者提供了便利。本文基于GEE云平台通过编程处理得到了无云复合影像数据集,解决了单期影像容易受云、云阴影和雪等对地表水影响较大的因素。采用在时间和空间两个维度选择更具客观性的样本,验证了zou等人和MINDR方法的融合多指数地表水监测模型进适用于黑龙江流域,且所以（MNDWI-EVI＞0 或 MNDWI-NDVI＞0,EVI＜0.1）和（MNDWI-EVI＞0 或MNDWI-NDVI＞0,AWEInsh-AWEIsh＞-0.1）仍是最优化的方案,实验灵活运用根据黑龙江流域的影像分布和地貌特征,制定了在高原植被较多的地区（121≤path≤123）使用Zou等人的方法,其它地方使用MNDWI的方案。实现了1985年至2018年黑龙江流域的地表水提取,在保证精度的情况下有效克服了监督分类样本选择作业量大且样本迁徙困难的问题,总体精度达到95.03%。（2）通过计算水体频率进行水体类别划分,实现常年性水体和季节性水体的分类。总体来看黑龙江流域为地表水具有明显的季节变化特征,最大水面＞季节性水体＞常年性水体,季节性水体决定了时间段内的总体地表水面积。从空间上看黑龙江流域的地表水主要集中在江桥以下、和尼尔基至江桥流域。常年性地表水主要以湖泊、水库的形式存在,集中在人类活动很少到达的呼伦湖、兴凯湖等区域。季节性水体主要存在于人类活动密切相关的平原和城市区域,尤其以松花江变化强度多为明显。从时间尺度上看黑龙江流域的地表水变化强度比较剧烈,这和气温升高、人类活动以及降雨量息息相关。其中降雨量变化是影响黑龙江流域34年来地表水变化的主要原因。在每个年际段内降雨量和地表水面积变化会有不同,这说明温度上升和人类活动也是造成黑龙江流域地表水变化的重要因素。