城市高分辨土地利用分类数据对城市气象及相关学科的发展至关重要。局地气候区（Local Climate Zone,LCZ）是一种新的城市高分辨土地利用分类体系。本文基于LCZ分类体系,首先基于当前广泛使用的世界城市数据库及门户工具（World Urban Database and Access Portal Tools,WUDAPT）方法制作了中国63个大城市及城市群的LCZ数据集。进一步的研究中,为了提高LCZ数据集的制作效率及准确率,运用深度学习算法,包括基于哨兵2卫星数据进行LCZ分类的卷积神经网络（Sen2LCZ-NET）和残差网络（Residual Network,Res Net）两种不同的算法,制作了北京和广州两个城市的LCZ数据集,并探讨了基于不同方法的LCZ数据集精度差异。主要研究结论如下:（1）基于2019年的Landsat 8卫星数据及谷歌地球平台,采用WUDAPT方法创建了中国63个大城市及京津冀、长三角、珠三角和成渝四大城市群的LCZ数据集。该数据集使用了76000个训练样本（>100m×100m）提供光谱特征,并通过23000个验证样本进行验证和评估。精度评估结果表明:中国大城市及城市群的LCZ数据集总体质量良好,总体准确率在71%-93%,平均准确率为82%;城市用地类型准确率在57%-83%,平均准确率为72%;自然覆盖类型准确率在70%-99%,平均准确率为90%。（2）研究表明,在WUDAPT方法中,训练样本的质量和数量是实现LCZ数据高准确率的关键,大面积的均质训练样本数量越多,则准确率越高;当训练样本数量接近饱和,LCZ数据的准确率主要取决于城市形态。一般来说,城市形态越规整,准确率越高。基于WUDAPT所识别的城市用地类型中,简易低层建筑和紧凑中层建筑准确率较高。另外,部分LCZ类型自身规模较小、LCZ类型之间本身具有相似性以及LCZ类型在实际下垫面中连续分布是造成部分城市用地类型准确率低的原因。（3）基于2019年的哨兵2数据和现有的大型基准训练集,利用Sen2LCZ-NET和Res Net对北京和广州进行LCZ分类。LCZ分类结果表明,Sen2LCZ-NET和Res Net两种算法获取的LCZ下垫面总体上一致,但在部分区域还存在细微差异。和WUDAPT方法相比,基于深度学习方法获取的下垫面数据较为连贯,破碎程度小。（4）深度学习方法显著提高了LCZ数据的准确率。根据精度评估,基于Sen2LCZNET算法的北京和广州的LCZ数据总体准确率分别为80%和91%,相较于WUDAPT,北京和广州的总体准确率分别提高了8%和15%。Res Net表现次之,北京和广州的LCZ数据总体准确率分别为74%和86%,相较于WUDAPT,北京和广州的总体准确率分别提高了2%和11%。对于分类精度,大部分LCZ类型在Sen2LCZ-NET中准确率较高,尤其是紧凑型建筑（LCZ 1-3）。然而,在深度学习方法中,仍然有少部分LCZ类型由于二维光学影像在外观上较为相似发生了混淆。（5）深度学习方法不仅在LCZ数据的精度上有较大提高,在LCZ分类效率方面也具有较大优势。在数据源方面,基于谷歌地球引擎（Google earth engine,GEE）可聚合大范围的无云哨兵2影像,为基于深度学习制作LCZ数据提供了可靠的数据来源。在方法上,基于哨兵2数据进行LCZ分类的卷积神经网络与现有的基准训练集相结合,极大地提高了LCZ分类的效率和数据的精度,为今后构建面向高分辨城市气候模拟的更大区域的LCZ数据集提供了思路。