水稻的生育期信息是农田管理的重要指标,通过作物生长发育的时间和进程信息可以判断作物的生长状况及其所处的环境,此外,还可辅助大范围的作物提取和环境分析。遥感技术以其覆盖范围大、快速无损、空间连续的优势成为监测作物生育期的有力手段。本文研究首先对水稻不同生育期的冠层光谱特征进行分析,进一步利用不同平台获取的遥感数据进行水稻生育期识别,研究的主要结果有:(1)分别基于地面和无人机平台获取的水稻光谱反射率,利用K近邻、决策树、支持向量机、随机森林、梯度提升决策树和Stacking方法对水稻生育期进行识别。基于地面平台获取的反射率,以随机森林作为次级学习器的Stacking模型的整体识别精度最高,为89.44%。基于无人机平台获取的反射率,梯度提升决策树模型的整体识别效果最佳,精度为98.75%。(2)将基于地面平台获取的高时间分辨率数据建立的水稻生育期识别模型推广应用至无人机平台获取的数据,进行模型跨平台应用的适用性评价。决策树模型的跨平台应用整体识别精度最高,为76.25%,水稻的拔节孕穗期和抽穗扬花期混淆样本数量较多。(3)造成模型跨平台应用的适用性较差的主要原因是两个平台获取的反射率存在差异,次要原因是水稻在拔节孕穗期和抽穗扬花期的四波段光谱特征较为相似。首先通过简单线性模型进行光谱同化,弥补两种数据反射率之间的差异,对无人机平台获取的数据同化后,支持向量机模型的识别精度最高,为78.96%。在支持向量机模型的基础上,进一步分别结合可见光大气修正指数阈值(0.27)和MCA影像第5波段信息熵阈值(0.4)区分拔节孕穗期和抽穗扬花期,最终水稻生育期的整体识别精度分别为86.67%和83.54%。通过光谱同化后结合植被指数阈值或纹理特征阈值均能有效地提高模型跨平台应用的适用性,结合植被指数-可见光大气修正指数的方法效果最佳。