森林火灾破坏自然环境,影响植被生长规律,对自然资源以及社会经济造成重大影响。为了评估森林陆地和植被在火灾后的损失,需要开展对森林过火区域其植被情况的分析研究。大面积长时序地进行实地陆地和植被监测尤为困难,因此论文利用多时相遥感影像开展森林火灾火烧迹地提取与植被恢复评价。传统基于植被指数的火烧迹地提取方法主要依靠对火灾前后遥感影像的光谱或波段变化建立物理模型,这对遥感影像的分辨率要求较高,很容易出现提取的特征单一或不明显的情况,对结果精度有影响,且大面积的火烧迹地提取耗费时间。相比于植被指数方法,深度学习具有强大的学习能力,可快速提取火烧迹地特征进行并进行判断,更适用于大面积的森林火烧迹地提取。同时,传统的植被恢复分析虽然是建立在时间序列分析上,但只是简单的突出数值的变化趋势,未对同年每月的植被指数进行综合线性回归分析,且协助分析的环境因子往往以月为尺度,日环境因子往往被忽略。本文针对森林火灾选择燃烧程度最高的区域开展实验及分析,具体研究内容如下:（1）针对Landsat多时项遥感影像的光谱特征和波段特性,首先通过对林火烟雾和烧伤植被进行目视解译,提取研究区域与林火持续时间。其次在研究区域中选取训练区域,提取燃烧真值。（2）火烧迹地提取。分别基于植被指数和深度学习方法提取火烧迹地,首先基于植被指数d NBR进行了火烧迹地的提取,并进行了精度分析,并得出基于传统植被指数方法提取火烧迹地的最佳Kappa系数和d NBR阈值。在深度学习方法上,对比了两种网络模型,并设置不同的输入通道以优化模型精度。结果表明:相比于植被指数,并非所有的深度模型都可以提高其精度。基于SCCN所提取到的火烧迹地精度较基于植被指数更高,但需要添加归一化燃烧指数作为输入通道来优化模型精度,而基于ACE-Net提取的火烧迹地结果不如基于植被指数。（3）植被恢复分析与评价。在提取的火烧迹地内,进行时间跨度为5年的时间序列分析。首先构建了一个用于时间序列分析的EVI数据集,之后应用综合线性回归方法分析了灾后植被恢复趋势。此外,基于上述数据集以及日环境因子,分析了迹地内三种高度的桉树火灾后的生长情况。结果表明:时间序列结果与2020年植被生长有很强的相关性,时间序列能够研究火灾后植被恢复情况;环境因子中日照强度和日降水量对植被的影响大于日均温。该论文有图31幅,表15个,参考文献84篇。