桂林市是我国国务院2018年批复建设的国家可持续发展议程创新示范区。土地覆被信息是地理基础数据,掌握及利用土地覆被信息对推进国家可持续发展议程创新示范区建设和我国可持续发展有着重要意义。国产高分系列和国外多光谱遥感影像在众多领域得到了广泛应用,也为桂林市土地覆被分类利用提供了新的契机。基于遥感影像的土地覆被分类技术虽然早已有学者研究,但如何建立快速、高效和准确的土地覆被分类模型仍是遥感影像应用研究的一个挑战。本文基于U-Net网络模型进行优化,构建了一个结合多源遥感影像数据进行土地覆被分类的网络模型,论文研究内容及成果如下:（1）针对单一的遥感影像数据源能获得地物信息特征有限,不利于复杂地物分类的问题,本文通过将Landsat8遥感卫星的多光谱影像与高分二号卫星的高分辨率影像辅以数字高程模型数据进行影像融合,获取更多的地物信息特征。结果表明,单独利用高分二号遥感影像进行土地覆被分类时,得到的总体精度相对较低,各类地物之间存在混分及错分现象。当利用多源遥感影像数据时,可以获取更全面的地物信息特征,总体精度实现了大幅度提升,各类地物之间能够实现更好地区分。（2）针对遥感影像背景复杂及多余背景的干扰,难以提取到有用的信息特征,本文提出一种改进U-Net网络模型的多源遥感影像土地覆被分类方法。首先,在U-Net网络模型中增加卷积层数,解决了因U-Net网络模型的层次浅,难以提取到地物复杂的遥感影像深层特征的问题;其次,添加Dropout和批归一化层,在一定程度上避免过拟合,同时用深度可分离卷积代替标准卷积,减少网络参数量,提高模型训练速度和鲁棒性;最后,引入空间和通道注意力融合机制模块,增强影像的有用特征,抑制影像的无用特征。结果表明:改进的U-Net网络模型算法能够有效提取到遥感土地覆被的信息特征,得到总体精度和Kappa值更高的土地覆被分类结果。（3）本文采用传统分类算法与深度学习分类算法进行土地覆被的分类。在多源遥感影像数据集上进行实验,结果表明:深度学习算法在土地覆被分类中总体精度有大幅度提升,其中改进的U-Net网络模型总体精度最高,其次是U-Net网络模型、神经网络、支持向量机、FCN＿8S网络模型,最低的是最大似然法。改进的U-Net网络模型的总体精度相对于U-Net网络模型、神经网络、支持向量机、FCN＿8网络模型和最大似然法,分别提高了3.44%、3.93%、4.17%、4.39%和5.15%,并且改进的U-Net网络模型的分类结果图更接近地物真实情况。