森林防火是森林资源保护工作中的重要环节,实时的森林覆盖识别结果可有效判定火情信息是否为林火,为森林消防提供决策支撑。目前林火监测研究中,对于火灾是否属于林火,主要依据实地调查结果,或者通过土地覆盖数据进行辅助判别,但土地覆盖数据更新周期长,影响林火判定的精度。针对火点类型无法实时判别的问题,研究基于高时效性的Sentinel-2数据,采用数据标注、裁剪、增强的方法制作了训练数据集,并进行了深度学习网络模型训练,构建了基于深度学习的森林覆盖识别模型,将森林覆盖的识别结果与火点位置信息进行结合,提高林火信息的判别效率和精度。主要的研究内容和研究结果如下:（1）分析并选择了森林覆盖识别模型的基本结构,以卷积层、池化层、损失函数等网络结构为基础来构建深度学习网络模型。基于深度学习技术中几种初始模型（U-Net、PSPNet、DeepLabv3+）,和残差网络ResNet50来进行森林覆盖识别模型的训练学习。采取两种迁移学习策略来改进以上3种初始网络模型得到6种深度学习模型:第一种策略是固定权重参数的迁移学习,第二种是释放权重参数的迁移学习,以此增加深度学习模型与训练样本的契合度和森林覆盖识别模型的识别精度。（2）以 Sentinel-2数据为基础,采用3种初始模型（U-Net、PSPNet、DeepLabv3+）和改进的6种深度学习模型实现了森林覆盖识别模型的构建。设置多组对比实验,探究9种深度学习模型结构对森林植被覆盖识别的影响。对3种初始学习模型与不同迁移策略下的6种迁移学习模型进行精度比较,并使用混淆矩阵进行识别效果的精度评价分析,结果表明:释放权重参数的迁移策略可以有效提高模型的识别精度,其中的最优模型为U-NetResNet50,其总体精度为94%,Kappa系数为0.8777,在识别效果中生产者精度和用户精度均超过90%,达到了较为理想的识别精度。（3）把最优模型U-NetResNet50的森林覆盖识别结果与火点位置信息进行结合,对林火信息做出了实时判断。若火点位于识别结果中的森林覆盖区域,则可以判断出该火点属于林火,若火点位于识别结果中的非森林覆盖区域,则可以判断该火点为其他火点,由此得到火点的判别结果。根据国家森林草原防灭火网站数据,提取相同位置的火点信息进行结果验证,结果表明:对于林火信息的判别精度可以达到92.86%,证明了该森林覆盖识别模型在林火监测中的可靠性。本文将最优森林覆盖识别模型的识别结果与火点位置数据进行结合,可以实时判断火点的类型。为林火监测研究提供了有效的信息支撑。但研究主要针对森林与非森林区域的遥感图像进行识别,只对森林轮廓进行检测,接下来的工作可以进一步将本文所提出的方法加入农田、建筑群等其他类型的土地覆盖信息。因此可以进一步研究不同土地覆盖类型的极细分割,提高识别信息的丰富度。