青藏高原作为世界上海拔最高、面积最大的自然地理单元,是亚洲主要河流的发源地和水源补给地,为全球近40%的人口提供水资源,在调节东亚气候与水资源方面扮演非常重要的角色。过去几十年,受气候及人类活动的影响,约有1/3的高寒草地发生了不同程度的退化,给当地生态环境和经济发展带来了很大挑战。植被覆盖度是描述地表植被动态变化的一个关键指标,其大小影响着水文过程和生态系统的稳定性。因此,构建高寒草地植被覆盖度反演模型对开展青藏高原生态环境恢复与治理具有重要的指导意义。当前国内外学者针对植被覆盖度反演开展了大量研究。然而,受限于地面实测数据的缺乏,青藏高原高寒草地植被覆盖度反演方面的研究还存在不足。因此,本研究以青藏高原东北部的黄河源区作为典型研究区,以高寒草地为研究对象,利用地面实测数据、多源卫星遥感数据、植被覆盖度产品数据及地形、土壤等辅助数据,开展了黄河源区高寒草地植被覆盖度反演精度评价与改进研究,定量分析了尺度转换和下垫面异质性对反演结果的影响,评估了当前国际上主流的植被覆盖度产品并生成了2000-2021年黄河源区植被覆盖度数据集。主要结论如下:（1）在由四种典型植被指数驱动的四种机器学习算法中,随机森林（Random Forest,RF）算法（R~2=0.861,RMSE=0.095）在植被覆盖度反演方面表现最好;与四种典型植被指数相比,采用多维特征集作为驱动数据,明显提高了四种机器学习算法的反演精度（RF算法的R~2提高到0.890）;在三种变量选择算法（Boruta、顺序前向选择[Sequential Forward Selection,SFS]和置换重要性递归特征消除[Permutation Importance Recursive Feature Elimination,PI-RFE]）中,PI-RFE特征选择算法对多维特征集的降维效果最好;机器学习算法的参数优化和多维特征集的特征选择可进一步提高植被覆盖度反演精度（优化后的RF算法:R~2=0.917,RMSE=0.079）。（2）在空间尺度转换过程中,使用高空间分辨率卫星遥感影像反演的结果升尺度到低空间分辨率并作为低空间分辨率卫星遥感影像反演的训练数据和验证数据,会导致植被覆盖度反演结果精度偏高,其对植被覆盖度反演的影响不容忽视;此外,实测数据与卫星遥感影像像元之间的位置匹配误差会影响植被覆盖度反演的精度,实测站点下垫面异质性的不确定性会增加植被覆盖度反演结果的不确定性,但可以通过下垫面异质性检验优化反演结果。（3）本研究的植被覆盖度反演产品精度（R~2=0.957,RMSE=0.048）显著高于GLASS植被覆盖度产品（R~2=0.786,RMSE=0.123）和GEOV3植被覆盖度产品（R~2=0.802,RMSE=0.132）,且GLASS植被覆盖度产品和GEOV3植被覆盖度产品在黄河源西北部存在明显低估现象,在东南部存在高估现象;不同植被类型的反演结果具有一定差异性,其中草原和草甸的反演精度最高;2000-2021年,黄河源区整体植被覆盖度呈现稳定状态（78.981%的区域趋于稳定）,显著增加区域大于显著减少区域（分别约占总面积的17.854%和3.165%）,表明黄河源区生态环境持续向好发展。