湿地与海洋、森林一起并列为地球三大自然生态系统。同时湿地分布等信息对湿地研究、保护和管理具有重要意义。但由于湿地生态系统具有较强的动态性,使得基于单时相遥感数据获得的湿地分类结果存在较多不确定性。时间序列遥感数据应用于地表覆盖分类和农作物监测等,表现了较好的应用潜力。为提高湿地分类精度,论文面向湿地生态系统的动态性和过渡性特征,研究了面向时间序列遥感数据的湿地分类系统;时间序列遥感数据的重建方法;并分别以湿地类型丰富的洞庭湖国际重要湿地和全国水稻田为例,基于MODIS时间序列数据,探讨了时间序列遥感数据的湿地提取方法。论文的主要内容和成果如下:(1)时间序列数据的重建。以MODIS13Q1提供的质量可信度数据作为S-G滤波过程中的权重系数,对洞庭湖国际重要湿地的时间序列植被指数(EVI)进行重建。结果表明改进的S-G滤波算法能对不同情况下的异常值进行有效修复。在时间序列数据的重建中既需要对异常值进行有效去除,同时要最大限度的保留原始信息。根据水稻田植被指数变化快的特点,使用时间上下文的插值方法对全国的MODIS09A1时间序列数据进行了重建,滤波结果表明基于时间上下文的时间序列插值算法能对异常值进行有效修复,同时保留了时间序列数据中未受影响的值。(2)在湿地分类方法方面,建立了永久性水体、洪泛湿地(泥滩)、永久性沼泽、季节性沼泽及水稻田(单季/双季水稻田)等湿地类型的光谱时间特征曲线,并将其应用于洞庭湖湿地分类。使用波谱匹配的最小距离分类法(SMMD)对洞庭湖地区湿地进行了长时间序列监测(2001-2014年)。结果显示2014年研究区总体分类精度为88%,季节性沼泽分类精度为85%,具有较好的分类精度,说明SMMD可以满足湿地动态性特征监测的需要。基于长时间序列的监测结果表明:洞庭湖天然湿地呈现了波动减少的趋势,永久性水域面积减小;季节性湿地空间位置的变化及沼泽区人工林地的大面积种植改变了洞庭湖原有生态系统格局,对洞庭湖湿地的生态服务各功能产生潜在影响。在全国水稻田的分类中,根据水稻田的物候特征,把水稻田进一步分为单季水稻田和双季水稻田;基于水稻田生长过程中EVI与水体指数(LSWI)之间的关系模型及水稻田时间序列EVI曲线构建了中国水稻田的分类策略,对全国的水稻田进行了分类和制图。结果显示全国水稻田的总体分类精度为91%,说明基于时间序列数据的分类方法可以基本满足水稻田提取的精度要求。面积统计结果显示2015年全国单季水稻田面积20163千公顷,双季水稻田面积10447千公顷;全国各省市(除青海省)均有水稻田分布,总面积为30610千公顷。(3)论文研究表明MODIS时间序列数据可以有效地刻画湿地的动态特征;对季节性湿地的分类具有一定精度。未来的研究中,需要关注高时空分辨率数据的重建技术和分类方法及其在大尺度湿地遥感监测中的应用。