城市植被作为城市生态系统中唯一执行自然“纳污吐新”负反馈机制的子系统，起到净化空气污染、增强城市空气更新、调节城市温度和湿度以及缓解热岛效应的作用。Landsat遥感影像由于其16天的时间重访周期和中等空间分辨率(30m)而被广泛地应用于城市植被动态监测和信息提取中，但是混合像元是影响城市异质地表覆被定量化提取的主要因素。基于此，线性解混分析模型(Spectral Mixture Analysis，SMA)被提出，并以物理方式来表达各端元光谱对混合像元的贡献比例。但一幅遥感影像受地形、光照以及地物空间布局不同的影响，光谱变异现象普遍存在，直接导致SMA高估或低估城市植被丰度。尤其是对于发展迅速、受人类活动干扰影响频繁的城市，其植被变化特征愈发明显，光谱变异问题也日益突出。因此在更加精细的尺度上探讨光谱变异性对时间序列下植被丰度估算的影响，以模型修正方法准确提取城市地表植被，为时间序列下城市植被动态变化机制的研究提供准确参数具有重要的意义。　　本文主要利用Landsat-5 TM数据、Landsat-8OLI数据、GDEM数字高程数据以及野外实地调查数据和Google Earth高空间分辨率数据，以传统的植被-高反射率-低反射率(V-H-L)三端元线性解混模型为基础，通过缨帽变换(Tasseled CapTransformation，TCT)后的亮度(B)、绿度(G)实现对端元选择的优化。并以样地数据为辅助，定量化分析SMA过程中端元光谱变异以及估算误差与TCT变换三分量之间的关系。在此基础上，本文对TCT变换三端元进行解混分析和解混模型推导，提出基于TCT_G解混的植被丰度修正算法，结合归一化植被指数NDVI(Normalized Difference Vegetation Index)完成城市不同密度的植被丰度修正。应用高空间分辨率验证数据对估算和修正结果进行精度验证，结果表明可同时在Landsat-5和Landsat-8数据上取得较好的应用结果，证明本文所提出的分密度修正算法是有效和可行的。同时，本文还得出以下具体结论:　　1)本文研究发现光谱变异表现为阴影与非阴影处植被差异以及不同基质背景下的光谱变异。针对前一种光谱变异，将NDVI加入到SMA解混中，利用NDVI可以有效监测山体阴影区域植被以及与Landsat波段之间无线性关系的优势，完成对山体阴影覆盖区域植被丰度的修正;针对后一种光谱变异，以绿度与估算误差间有强线性关系（R2大于0.85）为依据，推导并提出基于TCT G解混的植被丰度修正算法;同时基于几何顶点选取的V-H-L三端元，经过亮度和绿度优化之后，再应用到线性解混过程中，其估算精度明显提高，估算误差RMSE平均值由0.015降低到0.008。　　2)整体验证结果表明，修正前后植被丰度估算精度均有明显提高。2005、2009年的Landsat5和2013年的Landsat8修正前后R2分别为0.46、0.32和0.75(修正前)，0.65、0.71和0.83（修正后）。RMSE平均降低约0.06。　　3)分密度验证结果表明，三期遥感影像均表明传统的线性解混模型在植被低密度区域精度较高;加入NDVI的线性解混模型在植被高密度区域精度较高;基于绿度解混修正的结果则在植被中密度区域精度最高，修正效果最为明显。　　4)中心城区、近郊和远郊三区对比发现:在中心城区传统的线性解混模型精度最高（R2=0.83，RMSE=0.07）;近郊和远郊修正模型精度最高（R2=0.84，RMSE=0.08）。　　5)广州市植被丰度的空间格局表现为:广州市北部及东北部区域（从化市、增城市、萝岗区、花都区、白云区）植被覆盖度明显高于南部区域（番禺区、南沙区市中心区）;中心城区（越秀区、天河区、黄埔区、海珠区、荔湾区）植被覆盖度明显低于非中心城区。三期广州市植被丰度变化监测结果表明:从2005年到2009植被丰度整体呈增长趋势，从2009年到2013年植被丰度整体呈下降趋势。