准确获取冬小麦的空间分布信息可以为作物管理、产量估测和农业政策调整提供参考依据,对于国家的粮食安全和社会的长治久安具有重要意义。传统的遥感分类方法中,遥感数据存储所需空间大、处理时间长,使利用较高分辨率卫星数据实现区域冬小麦种植面积的提取仍然面临诸多挑战。作为基于全球地理空间分析的云计算分析平台（Google Earth Engine,GEE）,为快速分析遥感信息提供了新的机会。本文以中国最大的冬小麦种植区黄淮海平原为研究区,选择Sentinel-2和Landsat-8卫星影像作为主要数据源,应用光谱阈值方法和随机森林算法,通过构建指数特征、纹理特征和地形特征对研究区的冬小麦进行遥感识别,进而开展基于不同特征空间、不同空间分辨率卫星影像的冬小麦提取精度影响的讨论分析,最后,利用Google earth样点数据、GF-2样方数据和统计数据分别对冬小麦的空间分布和面积提取结果进行验证,取得的重要研究结果如下:（1）基于Sentinel-2影像光谱阈值法的冬小麦种植区提取。通过分析冬小麦和其他七类地物类型的光谱波形曲线,确定冬小麦与其他地物的光谱差异,构建出新型裸地指数（New Bare Land Index,NBLI）区分裸地和冬小麦;在此基础上,设置合适的光谱阈值规则用于冬小麦种植区遥感识别。研究结果显示,利用Google earth样点验证的总体精度达92.17%,Kappa系数为0.84;GF-2样方验证的总体精度为86.13%～93.3%,Kappa系数为0.7～0.86;利用市级统计数据得到的平均面积百分比误差约为22.6%。由此证明,本文利用冬小麦光谱特性确定的光谱阈值法简单、直观,获得了良好的冬小麦遥感识别精度,有效保证了较大区域范围冬小麦的面积提取结果和其种植空间分布的一致性。（2）基于Sentinel-2影像不同特征空间的冬小麦种植区提取。利用Sentinel-2卫星影像的原始光谱波段计算植被指数特征和纹理特征,空间分辨率为30 m的数字高程数据SRTMGL-003计算地形特征,共构建22个特征,对比分析10个原始光谱波段与加入22个特征前后（共32个特征）对冬小麦种植区提取精度的影响。空间分布验证和统计验证的结果表明,采用Sentinel-2影像10个原始光谱波段提取冬小麦得到的Google earth样点验证的总体精度、Kappa系数分别为96.3%、0.93;GF-2样方验证的平均总体精度、Kappa系数分别为91.6%、0.81;市级统计数据得到的平均面积百分比误差约为22.7%。在原始基础上添加22个特征后冬小麦提取精度得到提高,Google earth样点验证的总体精度、Kappa系数分别提升1.7%、0.03;GF-2数据的样方验证的平均总体精度、Kappa系数提升0.4%、0.02;平均面积百分比误差降低5.88%。结果表明,指数特征、纹理特征和地形特征能够优化Random Forest（RF）分类模型,提高冬小麦提取精度,在大尺度区域冬小麦遥感识别中具有较大的应用潜力。（3）基于不同空间分辨率卫星影像的冬小麦种植区提取。利用Sentinel-2和Landsat-8卫星数据,在相同的分类算法和扩展特征的支持下,研究空间分辨率为10 m、30 m的遥感影像对小麦识别精度的影响。基于两种影像的原始光谱反射率分别构建指数特征、纹理特征和地形特征,即基于Sentinel-2影像的10个原始光谱波段构建22个特征（共32个特征）,基于Landsat-8数据的7个原始光谱波段构建15个特征（共22个特征）,分别作为RF分类器的输入特征,最后分别利用GF-2和Sentienl-2样方进行空间验证（空间分辨率分别为1 m和10 m）,对比分析不同分辨率遥感数据对冬小麦种植区提取精度的影响。空间分布验证的结果表明,利用10 m分辨率的Sentinel-2卫星影像提取的冬小麦种植区效果更佳,Google earth样点验证的总体精度、Kappa系数分别为98%、0.96,市级统计数据的平均面积百分比误差约为16.9%。与Landsat-8卫星数据提取的结果相比较,分别提高4.3%、0.09,误差降低5.8%;GF-2样方验证的平均总体精度为91.6%,Kappa系数为0.81;Sentinel-2样方验证的平均总体精度为90.7%,Kappa系数为0.78,相较于Sentinel-2数据分别降低0.9%和0.03。结果说明,较高空间分辨率遥感影像更加适合大尺度区域的冬小麦种植区提取。