作物长势参数是表征作物生长状态的重要指标,准确、快速的获取作物长势信息对指导农业生产、预测粮食产量和制定粮食安全策略具有重要的实际意义。在我国目前的农业生产条件下,大部分农田比较分散并为不同农户所有,田间管理措施多样,再加上地域差异和气候差异,导致区域内不同地块内和地块间的作物长势差异较大,即作物长势存在不同程度的空间变异。传统的田间采样和实验室分析方法只能获取离散点上的作物长势参数信息,无法获取宏观面上的信息,也无法获取作物长势空间变异信息。随着遥感技术的日益成熟,该技术已经成为进行作物长势参数反演和监测、研究作物长势空间变异和进行相关决策支持的有效手段。本研究立足于获取作物长势参数和长势空间变异信息这一实际需要,围绕基于高光谱影像的作物种植区提取、基于冠层高光谱和航空高光谱影像的作物长势参数遥感反演和监测和作物管理分区中的关键问题,开展了如下研究工作：(1)基于高光谱遥感影像的作物种植区提取为了解决高光谱影像波段维数较高,在利用监督分类方法进行分类时出现维数灾难的问题,从波段选择和特征提取两个方面进行了高光谱影像维数约简的研究。在波段选择方面,提出了基于分散矩阵的波段选择方法ScatterMatrix,该方法将类间可分性作为波段选择的准则,采用分散矩阵作为类间可分性度量并将它扩展至多个类别的分类问题中,最后结合SFFS搜索算法进行波段选择。算法验证结果显示与JMI、mRMR、CMM、DISR和JM五种典型的波段选择方法相比,提出的ScatterMatrix波段选择方法得到的总体分类识别率最高(90.1%),由此表明提出的ScatterMatrix方法可以有效的降低波段维数,提高分类识别率。在特征提取方面,针对PCA的非监督的本质,变换后得到的新的特征并不能保证好的分类识别效果的问题,将非监督的PCA方法与前面提出的监督的波段选择方法ScatterMatrix结合提出了一种混合的特征提取方法PCA_ScatterMatrix,算法验证结果显示与传统的PCA相比,PCA_ScatterMatrix方法的总体识别率提高了2.5%。为了获得更加精确的植被分类结果,在利用光谱信息的基础上,引入了地物自身的空间信息,提出了一种光谱特征和空间特征融合的高光谱影像分类方法SpeSpaVS_ScatterMatrix,该方法用ScatterMatrix方法进行光谱特征的提取,采用Gabor方法进行空间特征的提取,然后将两类特征组合成一个特征向量,接着采用ScatterMatrix方法对组成的新的特征集合进行特征选择,选择出的特征用于后续分类识别。实验结果显示在所有参与比较的方法中,SpeSpaVS_ScatterMatrix的总体识别率最高(98.4%),与光谱信息和空间信息决策级融合方法SpeSpaDF相比,总体识别率提高了5.4%,SpeSpaDF方法比仅采用空间信息的Gabor方法相比,总体识别率低了3.7%,由此表明只有将光谱信息和空间信息有效的结合才能提高总体识别率,如果结合方式不当总体识别率并不会比仅采用单一信息的高。(2)基于冠层高光谱的作物长势参数遥感反演以冬小麦为研究对象,基于2013年小区实验和2008年和2009年的大田实验采集的冠层高光谱数据,围绕LAI、地上生物量和NNI三个作物长势参数的反演问题进行了研究。针对高光谱植被指数在反演LAI时出现的“饱和”问题以及传统的衡量植被指数性能的统计参数如决定系数R2和均方根误差仅能对植被指数做一个整体的评价,然而实际上植被指数对处于不同范围的LAI的敏感性是变化的,并不是一个常数。因此引入敏感性函数对植被指数的抗饱和性进行分析,同时考虑反演LAI的高光谱植被指数通常对土壤背景变化和叶片叶绿素含量变化较敏感,从而造成LAI反演精度受限,从这三个方面着手,基于PROSAIL模型模拟的冠层高光谱,系统的分析了二十种常用于作物LAI反演的植被指数得出以下结论：(a)当LAI小于3时,植被指数受土壤背景亮度变化影响较大,其中LAIDI、OSAVI和RDVI是进行LAI反演较好的选择；(b)当LAI大于3时,植被指数受叶片叶绿素含量变化影响较大,其中EVI2、LAIDI、RDVI、SAVI、MTVI2和MCARI2对叶片叶绿素含量变化相对较不敏感且具有较好的抗饱和性,是进行LAI反演较好的选择。该结论将对今后选择合适的高光谱植被指数进行LAI反演提供有力的参考。针对利用高光谱指数反演作物地上生物量时的“饱和”问题,系统的比较了高光谱指数包括窄波段植被指数和红边位置反演生物量的能力,并提出了基于最优NDVI-like和波段深度信息BDR结合的偏最小二乘回归(PLSR)生物量反演方法。通过分析生物量与所有波段两两组合构成的NDVI-like和SAVI-like指数的线性回归关系得到反演生物量的最优NDVI-like指数(1097nm,980nm)和最优SAVI-like指数(1084nm,1026nm)。从红光吸收区域(550 nm-750 nm)提取出的波段深度信息用BD、BDR、NBDI和BDNA四个参数表征。实验结果表明：(a)与NDVI (670 nm, 800 nm)、SAVI (670 nm,800 nm)和红边位置相比,所选择出的窄波段植被指数(最优NDVI-like和AVI-like指数)的生物量反演精度更高；(b)基于波段深度信息建立的PLSR生物量反演模型的预测精度比基于最优NDVI-like的反演模型的精度高；(c)提出的基于最优NDVI-like和波段深度信息BDR集合建立的PLSR生物量反演模型获得了最好的预测结果(R2=0.840, RMSE=0.177 kg/m2),由此表明提出的基于最优光谱指数和波段深度信息结合的PLSR反演模型能较好的缓和生物量反演时的“饱和”问题,提高生物量反演精度。基于2013年小区实验获得的数据分析了各个生育期各小麦氮素营养诊断指标与小麦籽粒蛋白质含量的相关关系,研究发现孕穗期的小麦NNI与籽粒蛋白质含量的相关性最高。利用DCNI反演小麦植株氮含量,同时采用提出的基于最优光谱指数与波段深度信息BDR结合的PLSR方法反演小麦地上干生物量,结合关键氮素稀释曲线,对这一时期的NNI进行了反演,实验结果表明该方法能获得较高的NNI反演精度(R2=0.822, RMSE=0.116),同时进一步说明提出的基于最优光谱指数与波段深度信息BDR结合的PLSR方法能够较好的反演小麦的地上生物量。基于反演的NNI建立小麦籽粒蛋白质含量反演模型,留一法交叉验证R2cv为0.723,RMSEcv为0.883%。由此表明以NNI作为中间变量链接冠层高光谱和小麦籽粒蛋白质含量进行籽粒蛋白质含量预测是可行的。(3)基于CASI高光谱影像的作物长势参数反演和监测为了将作物长势参数反演和监测上升到区域尺度上,本研究以甘肃黑河流域盈科灌区的玉米和蔬菜为研究对象,基于2012年7月7日获取的CASI航空高光谱影像对作物长势参数反演和监测进行了研究。首先采用第三章提出的ScatterMatrix波段选择方法结合支持向量机分类方法,提取出了作物种植区域。在此基础上采用查找表法进行基于PROSAIL辐射传输模型的LAI反演,为了保证反演结果的鲁棒性,分别选取了取前1、50和100个最优模拟光谱对应的参数值的均值作为最终反演结果,实验结果表明基于查找表多解的方法能够获得较好的LAI反演精度,其中取前100个解时,LAI反演精度最高(R2=0.551, RMSE=0.496),由此表明当地面采样点不足时,利用查找表法进行基于辐射传输模型的LAI反演,能够较好的避免经验模型法基于少量样本建立的模型缺乏稳定性的问题。最后对整个CASI航空影像实现查找表反演,最终实现了研究区域作物长势参数的遥感监测。(4)作物管理分区研究以冬小麦为研究对象,基于2006年获取的一景Quickbird的遥感影像以及田间采样的土壤养分和产量数据,在分析了土壤养分参数空间变异和作物长势空间变异的基础上,进行了作物管理分区研究。从分别基于土壤养分数据和遥感影像数据进行管理分区的结果可以看出,以这两种数据源进行管理区划分后,每个管理区的小麦产量变异系数均降低了,由此表明这两种数据源均可以用于作物管理分区中,但从成本和时效性的角度来看,遥感影像在作物管理分区中更具有优势。通过比较模糊C均值聚类、融入空间位置信息的模糊C均值聚类和Lark’s方法三种作物管理分区划分方法,得出利用了空间信息的聚类方法划分出的管理分区空间连续性更好,减少了碎块的产生,更具有实际应用价值。由此表明基于遥感影像采用融入位置信息的模糊C均值聚类方法是进行作物管理分区的较好的一个选择。