杂草对水稻的产量造成了严重影响。目前水稻草害的治理主要依赖除草剂,且大多数农户均采用均匀喷洒的方式进行杂草防治。过量使用除草剂不仅影响水稻品质,也造成了环境污染。国家提出了“两减”战略目标,旨在依靠农药化肥减施提高效率、降低成本和保护环境。基于农情分析的精准施药是实现这一目标的有效手段之一。在水稻田杂草管理的应用背景下,精准施药要求首先快速获取田块的杂草分布信息。但传统的基于人工农情调查的方式工作量大,且效率低下。日益发展和完善的遥感监测技术为快速农情获取提供了可能。本文采用无人机采集水稻田块的低空遥感图像,研究基于图像处理和机器学习的杂草识别方法。以便解析稻田的杂草分布信息,为今后植保机械精准喷施除草剂提供决策依据。本文的主要工作如下:（1）采用无人机采集稻田可见光遥感图像,对原始数据进行了预处理和标定,分为水稻、杂草及其他,将数据切割成小样本分为训练集和测试集,并对三个类别的数据集分别进行了特征提取,颜色特征包括RGB三通道的颜色最大值、最小值及均值;纹理特征包括lbpm及lbpm＿local,然后对提取到的特征进行融合并使用PCA降维处理,形成小样本的特征向量。（2）研究采用KNN、SVM、BP神经网络、Ada Boost四种机器学习算法对图像样本进行分类,在测试集上测试算法的泛化性能。结果表明,KNN分类准确率为87.61%,SVM分类准确率为90.67%,BP神经网络分类准确率为86.81%,Ada Boost分类准确率为89.22%。（3）为提升分类精度,利用集成学习的思想对单一的机器学习算法进行了组合学习,试验结果表明,集成的模型在分类精度上获取了一定提升。基于SVM和Ada Boost的组合分类器和叠加分类器的识别准确率分别达到了91.21%和91.14%。（4）研究采用了基于深度学习的卷积神经网络对无人机图像进行分类识别。基于迁移学习,将inception＿v3模型作为预训练模型,并且在本文训练集上进行微调。试验结果证明,该模型在测试集上的准确率为94.80%。研究结果表明,利用传统的机器学习方法对本文提取到的特征向量进行分类准确率最高能达到90.67%,经过集成学习方法的优化后最高能达到91.21%;应用卷积神经网络识别水稻杂草的准确率达到了94.80%,且自动挖掘特征能够简化人工特征提取的步骤,网络结构适应性更强,对于不同的草害类型、不同生长阶段的泛化能力更好。本文的研究结果证明,采用无人机遥感与机器学习相结合,能够准确解析田块的杂草分布信息,可以作为植保机械喷洒除草剂的决策依据。