植被是地球生态系统的重要组成成分之一,用以表示其地表覆盖状况的植被覆盖度,是研究地球生态气候的重要参数。研究植被覆盖度及其变化信息,对准确了解地表植被动态变化趋势及其对生态环境的影响具有重要的意义。随着遥感技术的不断发展进步,遥感在地表信息获取的应用中具有更加明显的优势。在植被覆盖动态监测需求多样化的情况下,利用图像变化检测技术获取植被覆盖变化信息,能够全面快速地为植被动态监测提供服务。本文在研究和分析植被覆盖度及其变化信息提取技术的基础上,对变化向量分析(CVA)方法和神经元网络分类法进行改进,以提高变化信息提取精度。首先利用最小噪声分离变换(MNF)分离影像中的噪声,减少噪声因素对提取结果的影响；接着利用最小错分概率算法分别确定变化强度和相关系数的分割阈值,以两个特征确定变化区域,获得的结果数据要比采用单一特征法精度提高3-5个百分点；然后利用纯净像元指数(PPI)和n维可视化选取地物类别端元,作为神经元网络分类的样本提取植被覆盖度信息,可以有效减少地面非线性因素对植被覆盖信息的影响。最后结合变化区域数据和植被覆盖度进行变化信息提取。针对改进后的方法,利用IDL语言和Arc Engine在.net平台下进行软件系统开发,为变化信息提取提供软件支持。在此基础上提取北京市北部地区2002-2009年间的植被覆盖变化信息,并分析其变化的时空格局。