湖泊是地球上最重要的淡水资源之一,具有重要的生态作用和经济价值。近年来,受人类活动的影响,湖泊面积出现严重萎缩,水体富营养化现象严重。水生植被尤其是沉水植被作为湖泊生态系统中的重要组成成分和主要初级生产者,可以起到净化水质、维持湖泊生态环境的稳定性和生物多样性的作用。利用遥感手段对内陆湖泊中的水生植被进行分类和沉水植被的动态监测可以为湖泊的环境治理和生态恢复提供决策支持。基于此,本文主要进行了以下内容的研究并得出相应结论:(1)基于Landsat 8 OLI遥感影像以及野外调查数据,建立了自动化动态阈值的水生植被决策树分类算法。利用该算法将湖泊水生植被分为两种类型:一种是包括挺水植被和浮叶植被等在内的生长在水面以上的植被,另一种是生在水下的沉水植被。在该算法中,利用NDWI和FAI指数相结合的方法从水体中提取出上述两种类型水生植被的分布范围,然后利用SWIR波段的反射率特征对这两类水生植被进行区分。为了使该算法具有良好的适用性和可移植性,以期利用遥感影像对水生植被进行长时序、大范围分类,本文采用了空间内插等方法,使得分类阈值可以根据研究区水域的光谱反射率特征自动改变,极大地减少了对算法的人为干预和算法对样本点的依赖,提高了算法的分类精度和计算时间。(2)为了验证算法在Landsat不同传感器数据上的可用性,本文利用该算法对时间间隔8天的Landsat 7 ETM+和Landsat 8 OLI影像进行水生植被分类,并利用与影像获取时间相近的野外调查数据对分类结果进行验证。结果表明,本文提出的分类算法在Landsat不同传感器获取的数据上均具有较好的分类结果,为下一步的算法应用奠定了基础。(3)水深是限制沉水植被遥感识别的主要因素。为了探究该算法可识别的沉水植被生长的最大深度以及算法对水体光敏感参数浓度的敏感性,本文利用模拟的不同叶绿素(Chl-a)和悬浮泥沙(TSS)浓度下的水体反射率光谱以及对应的水体漫衰减系数K_d,结合植被在水下的反射率衰减函数以及像元的线性混合原理,获取了不同深度、不同植被覆盖度下的沉水植被的模拟光谱特征。通过计算这些模拟光谱的FAI指数,得出以下结论:本文提出的算法可以识别水下0-0.20 m的水生植被;该算法对水体中Chl-a的浓度不敏感。(4)基于Landsat 5 TM和Landsat 8 OLI遥感数据,利用本文提出的水生植被分类算法,得到了1986-2018年湖北省内四个大型湖泊的沉水植被时空分布数据。并结合降水量、气温和风速等气象数据和围网养殖等人类活动信息对长时序分类结果进行了分析,得出结论:降水量和围网养殖活动可能是影响湖泊沉水植被生长的主要因素。