水分是苹果树生长过程中必不可少的因素,对于苹果树光合作用和呼吸作用起着至关重要的作用。植被含水量通常采用叶片含水率和冠层的含水量表示。传统测定果树含量水的方法多为称重法,费时、费力。近年来,无人机遥感发展迅速,使得利用无人机遥感对植被冠层水分状况的估测成为了可能。利用无人机多光谱成像技术,对苹果树叶片含水率和冠层含水量的估测研究,对于苹果果园水分空间反演和精准灌溉具有重要的理论与现实意义。以盛果期的苹果树为研究对象,在2021年6月中下旬,使用大疆Matrice600Pro六旋翼无人机搭载Sequoia农业多光谱传感器,获取果园的遥感影像。同步采集了苹果树的叶片,在室内对叶片水分含量进行了测定。对原始影像进行预处理,利用多种监督分类提取了果树冠层光谱发射率,与原始影像提取苹果树冠层光谱反射率对比。建立了苹果树盛果期叶片含水率和冠层含水量定量反演模型,将苹果树叶片含水率作为一个修正自变量代入精度较高的冠层含水量反演模型进行修正,进一步提高冠层含水量反演模型的精度。构建果园水分空间反演图,对苹果树灌溉状况进行决策调控,从而调整果园的灌溉量,实现精准灌溉。主要的研究结果如下:（1）提取了果树冠层光谱反射率分别使用了平行六面体分类、马氏距离分类和神经网络分类对无人机多光谱影像进行了分类,对分类后的影像进行了果树选择,剔除了分类结果里的细小图斑,在多种监督分类前后提取了苹果树冠层在近红外、红边、红色和绿色波段的反射率。监督分类很好地区分了果树和其他地物,去除了部分阴影,提升了冠层反射率,其中神经网络分类提升显著,在近红外波段提升了0.0668。（2）构建并筛选了相关性较高的植被指数和光谱参量通过综合考虑绿色植被的水吸收敏感特性及Sequoia农业多光谱影像的波段,借鉴RVI、ARI、NDVI等植被指数的构造原理及形式,提取出分类前后的反射率,计算8种植被指数和2个光谱参量,分别为NDVI、DVI、RVI、NMDI、RGRI、WDRVI、CRI、ARI、RE+NIR和RE*NIR,通过与苹果叶片含水率和冠层含水量进行相关性分析,筛选与叶片含水率和冠层含水量相关性较高的植被指数和光谱参量构建模型自变量,为ARI和RE+NIR,用于模型的构建。（3）建立了苹果树叶片含水率和冠层含水量估测模型并进行精度检验以联合X-Y距离抽样法抽样将样本数据划分为训练集和验证集,以构建相关性较高的植被指数和光谱参量为自变量,分别以苹果树叶片含水率和冠层含水量为因变量,分别构建偏最小二乘回归模型、主成分回归模型、支持向量机回归模型和随机森林回归模型,通过利用叶片含水率对冠层含水量反演模型进行修正。并使用决定系数（R~2）、均方根误差（RMSE）、相对误差（RE）和精确度（PRE）作为检验预测模型精度高低的指标,以检验模型的准确性与适用性。神经网络分类后以ARI和RE+NIR建立的叶片含水率支持向量机回归模型的建模的决定系数（R~2=0.5705）和检验的决定系数（R~2=0.4630）均大于其他分类其他回归模型,均方根误差（RMSE=0.0683）均小于其他分类和其他回归模型,反演效果比较好。神经网络分类后以ARI和RE+NIR建立的冠层含水量支持向量机回归模型的建模的决定系数（R~2=0.6529）和检验的决定系数（R~2=0.5406）均大于其他分类其他回归模型,均方根误差（RMSE=0.0572）均小于其他分类和其他回归模型,反演效果比较好。表明神经网络分类后支持向量机回归反演模型效果最佳,可以很好地反演苹果冠层含水量含量,也表明无人机多光谱影像在冠层含水量反演中的有效性。（4）苹果果园水分空间反演根据筛选得到了最优的冠层含水量反演模型,并使用叶片含水率对所得到的冠层含水量反演模型进行修正,进行了苹果果园水分空间反演。结果表明,每棵果树的冠层水分含量的分布大致为冠层底部含水量较高、顶部含水量较低,利用无人机多光谱技术可以实现苹果果园水分含量的空间反演,为有效地监测植物水分状况以及合理灌溉提供了科学理论依据。