小麦苗情及麦穗信息是产量构成的重要依据,精准快速地对其监测对高产栽培具有重要意义。随着智慧农业的迅速发展,深度学习技术和遥感技术越来越广泛地被应用到作物生产领域。为实现小麦苗情和产量的遥感测报,本研究利用小麦生育后期多源图像数据实现麦穗快速检测计数,为小麦产量预测提供技术支持。以小麦不同生育期主要苗情参数为基础,构建产量敏感性组合指标,利用多光谱卫星数据采用集成学习算法定量遥感监测小麦产量。主要研究结果如下:(1)采用迁移学习以及主动学习策略,可以大大缩减麦穗数据标注工作量。YOLOv5模型在验证集上的精确率(P,Precision)、召回率(R,Recall)、平均精度(mAP,mean Average Precision)、平均检测时间(ADT,Average Detection Time)和平均计数准确率(ACA,Average Counting Accuracy)分别为 97.53%,96.48%,98.14%,0.241s 和 98.93%。对比 SSD 网络模型、Faster R-CNN网络模型和Centernet网络模型,YOLOv5在各模型中表现最好,特别是检测时间迅速,具备快速统计麦穗的潜力,为小麦遥感产量估测提供了技术支持。(2)通过筛选小麦拔节期、孕穗期和开花期等主要生育期最优遥感变量,构建叶面积指数(leaf area index,LAI)、叶片氮含量(leaf nitrogen content,LNC)、地上部分生物量(above ground biomass,AGB)和叶绿素相对含量(soil and plant analyzer develotrnent,SPAD)关键苗情指标定量遥感监测模型,并制作2020年苏中地区小麦主要苗情指标空间分布专题图。采用差值、乘积、归一化分别组合小麦结构参数和营养参数,筛选出产量敏感型综合指标(Growth Comprehensive Index,GCI),并构建多遥感指数线性回归定量监测模型,结果显示,LNC和LAI的比值组合的参数与产量的相关性最高(r=0.715),验证集的均方根误差(Root Mean Squard Error,RMSE)和 R2 分别是 0.114 和 0.723,并制作 2020 年苏中地区综合苗情指标遥感监测专题图,进一步为小麦产量遥感预报提供技术支撑。(3)基于Blending框架进行的多模型融合策略可以提高小麦产量预测精度,结果显示Blending多模型融合算法的预测精度优于单一的随机森林(RF)模型和XGBoost模型,其解释度(Explained Variance Score,EVS)为 0.794,平均绝对误差(Mean Absolute Error,MAE)为245.238,均方根误差RMSE为295.274以及R2为0.806。相比于RF模型,R2提高了 10.867%;相比于XGBoost模型,R2提高了 4.811%。通过多模型融合可以更准确地预测小麦产量,为开展作物遥感精准化测报提供了新途径。