作物的生长环境信息和生长发育情况快速感知是精准农业实施中最基本、关键的问题。玉米田的秸秆管理策略深刻影响着玉米的长势,有必要进行玉米秸秆还田情况和苗期玉米长势信息获取技术的研究。本文针对黑土区保护性耕作玉米田典型信息获取技术的需求,基于玉米田图像和光谱信息,应用机器学习模型和图像处理方法对采集到的信息进行分析,研究获取玉米田秸秆覆盖率、秸秆混埋效果的技术,分析不同田间环境对玉米长势的影响,构建基于多源时空数据的玉米长势预测模型,为玉米田管理和决策提供技术支持和参考。本文主要研究内容如下:（1）针对玉米田地表秸秆覆盖率快速准确获取的需求,研究了利用无人机低空遥感影像和机器学习算法检测秸秆覆盖率的方法。利用改进的U-Net神经网络建立了秸秆覆盖图像语义分割模型。将该模型与VGG11 U-Net（以VGG11主干作为U-Net提取模块的算法）、三角形算法（TRIANGLER）以及基于多色彩空间信息与支持向量机结合的算法进行了评价和比较。（2）针对秸秆混埋效果难以量化的问题,研究利用机器视觉技术实现对秸秆混埋效果自动、准确、快速的测量。首先,本文建立了玉米田地表秸秆混埋可见光图像数据集。然后,基于图像处理技术和网格计数法,提出了一种对秸秆混埋效果进行定量描述和表征的方法。最后,基于该方法,本文开发了Web应用程序和图形界面系统。（3）为探究不同环境下玉米的生长情况以及构建玉米苗情预测模型,本文设置了田间对比试验,绘制玉米田归一化植被指数时序曲线,研究不同的播种深度、土壤坚实度和秸秆覆盖率分别对玉米长势的影响。将3种机器学习算法（随机森林、岭回归和线性拟合）应用于三类输入数据,建立了9种长势预测模型。通过上述研究表明:基于改进的U-Net神经网络建立的秸秆覆盖图像语义分割模型获取玉米田秸秆覆盖率的平均绝对偏差为3.56%,相比其他算法效果最优,该模型可为玉米田地表秸秆覆盖率的快速获取提供技术支持。秸秆混埋效果获取技术的研究使得研究人员和从业人员能以电子化方式采集秸秆混埋效果信息,更科学、高效地处理、分析和存储实验数据,满足对玉米田信息统一采集和管理的需求。在苗情信息获取技术的研究中,本文得出播深是对苗期玉米生长影响最大的特征变量,其次分别是土壤坚实度和秸秆覆盖率。试验研究发现3 cm有利于玉米苗期前期发育,5 cm可能更有利于玉米中后苗期的生长;对比试验中,200 k Pa的低土壤坚实度和40%的秸秆覆盖率较为适宜。在构建的9种长势预测模型中,基于多源时空数据的随机森林模型的拟合效果最好,训练集和测试集拟合优度分别为0.9840、0.9854,均方根误差为2.7122。综上所述,本文对玉米田秸秆管理信息和玉米长势信息获取技术的研究,为优化玉米田秸秆管理策略、提高播种质量进而增加玉米产量提供了参考和技术支持。