林地作为森林的主要载体,是森林长久生存和发展的根基,是生态环境的重要组成部分。目前我国基于3S技术（遥感技术、地理信息系统、全球定位系统）已成功绘制出全国林地“一张图”,它的形成能够极大提高森林资源的精细化、自动化、智能化管理水平,对于研究森林资源环境变化规律、促进我国生态文明建设等具有重大意义。目前随着人类经济社会的不断发展和全球气候的不断变化,森林环境也随之变化,但由于森林资源体系复杂多样,普查数据不及时,导致“一张图”更新滞后,难以满足森林资源变化监测的需要,因此,迫切需要研究自动化林地监测技术方法,实现林地信息的精确提取。随着卫星传感器技术和人工智能技术的快速发展,各类遥感影像越来越丰富,深度学习技术越来越成熟,利用遥感数据和深度学习技术提取林地信息已成为林业领域研究的热点。论文以甘肃省天水市麦积区为主要研究对象,通过使用基于条件随机场模型、深度卷积神经网络等方法开展复杂林地分类问题研究,提出一种双池化方式的卷积神经网络架构,为林地“一张图”更新建设提供有力保障。同时基于堆栈式稀疏自编码网络的林地动态变化模拟方法对林地时空演变规律及驱动机制进行分析,实现林地资源的动态监测。主要研究内容如下:（1）基于随机森林-条件随机场模型的林地分类方法林地类型光谱特征复杂多样,基于单一像元的分类方法往往难以取得较好的分类效果。将多时相遥感数据及空间信息融入到分类过程中,利用随机森林方法计算分类概率,将分类概率作为条件随机场模型的关联势函数,同时考虑像元之间的空间关系,利用高斯函数构建条件随机场模型的二阶势函数,实现林地的准确分类。最后将其与传统的机器学习分类方法,如支持向量机、最大似然分类、决策树等方法进行对比。结果显示:随机森林和条件随机场模型结合的分类方法得到的分类结果精度最高,对于Landsat和Sentinel2而言,总体分类精度（OA）分别为为86%和87.9%,相比于原始的随机森林分类精度均提高了约3.5%;用户精度（UA）分别为86.6%和88.4%。（2）基于双池化卷积网络和条件随机场结合的林地分类方法由于不同时期林地类型呈现出多样性变化特征,使得不同时间、空间遥感影像上相同地物光谱值并不能服从相同的概率分布。本文以深度卷积神经网络为基础,采用双通道卷积结构的多光谱遥感影像分类方法,该方法从多光谱遥感影像中提取时空谱联合特征。同时本文通过分析不同池化方法优缺点,提出了一种双池化卷积神经网络,同时又将卷积神经网络的输出作为条件随机场模型的一阶势函数,高斯函数作为二阶势函数,进一步提出条件随机场模型耦合的双池化卷积神经网络。实验结果表明:双池化的深度卷积神经网络结构结合条件随机场模型在Landsat8和Sentinel2数据上的总体分类精度（OA）分别为92.5%和95.3%,用户精度（UA）分别为93%和95.5%。在林地上的分类精度均高于一维、二维、双通道及双池化卷积神经网络方法,取得了良好的分类结果。（3）基于堆栈式稀疏自编码网络和元胞自动机模型的林地分布模拟为了能够更加准确地分析不同林地类型时空变化特征,利用逐时相分类比较法从林地类型、分布、面积等方面开展变化分析,研究多年来各种类型林地之间的转换关系,分析不同时期林地的时空演变规律,分别采用堆栈式稀疏自编码网络和Logistic回归建立各驱动因子间的关系,采用基于元胞自动机的林地变化趋势时空模拟方法,开展林地资源时空格局变化的分析研究,研究结果表明:SAE-CA模拟精度为87%,比Logistic-CA高了3%,研究模拟2018-2028年林地变化情况,建设用地呈现出增加趋势,林地面积略有下降,主要是因为人类活动频繁,加快对了对土地资源的开发和利用。综上所述,本文以多时相特征影像为基础,分别从统计学习和深度学习两个理论角度研究适用林地分类的方法。从统计学习分类角度,充分考虑像元间的空间关联性,提出了将随机森林和条件随机场模型相结合的林地分类方法。从深度学习理论角度,提出一种双池化方式的卷积神经网络架构,提高了网络特征提取能力,同时利用条件随机场模型优化网络的输出结果,使分类结果在空间分布上更加合理。最后,本文将提出的分类方法应用于林地变化模拟中,研究以元胞自动机模型为基础,充分利用深度神经网络的非线性拟合优势,提出一种堆栈式稀疏自编码网络的林地动态变化模拟方法,为掌握林地分布与变化规律提供理论参考。