烟草是云南省传统的农业经济作物和高原特色作物,烟草行业是云南省首要支柱产业,其发展直接影响到云南省产业发展、经济效益和稳定情况。云南省烟草行业目前面临数字化高质量转型,烟草农业作为烟草产业链的基石,目前存在烟草种植面积和空间信息难以有效监测管理、传统地面调查方法无法满足现实需求等问题。遥感技术在农作物分类识别和面积监测研究中的应用为云南省烟草农业面临的问题提供了有效的解决思路。本研究选取具有代表性的优质植烟区梁河县为研究区域,利用Sentinel-2卫星影像数据在高时间和空间分辨率上的优势,结合GF-2遥感影像、DEM等数据,构建覆盖研究区烟草完整生长期的时间序列遥感影像数据集,并从中提取时序植被指数、红边指数、光谱特征曲线,综合分析烟草的物候特征,进而结合计算烟草的纹理特征,计算各个分类参数及其组合的J-M距离对特征参数选优,随后,对比分析CNN、RF和SVM三种方法和红边波段的烟草种植面积提取效果,最终应用RF方法实现2020-2021年梁河县烟草种植面积和空间分布信息提取,为烟草种植持续动态监测提供理论、方法基础以及实际意义。主要研究成果如下:（1）研究区烟草分类特征参数集构建。应用多期Sentinel-2卫星遥感影像数据构建提取研究区植被指数、光谱特征时序数据,分析烟草物候特征,结合GF-2数据提取出的纹理特征、地形特征等28个特征参数并对其组合,应用J-M距离对各个参数组合进行评估选优,最终提出一种包含有光谱、指数、物候、地形共22个分类特征参数的组合,去除冗余特征,有效提高烟草提取的准确性;设置对照组用以分析红边波段/指数对烟草识别和提取的作用。分析发现4月份研究区烟草与其他地物特别是与其它作物的特征差异最大,是其信息提取的最佳窗口;后续分类结果表明红边波段/指数对植被信息敏感,能更好地反映烟草识别信息,有效提高了烟草分类和种植信息提取的准确性,提取结果的和系数分别提高了3.27%和0.0223。（2）最优分类方法选择。本研究应用CNN、RF和SVM三种分类方法对研究区地物进行分类提取,选取具有足够代表性的典型区域,以目视解译和混淆矩阵综合对比分析3种方法的分类精度和效果。结果表明,3种方法均能较好的提取烟草种植面积,SVM、RF和CNN分类结果的分别为91.68%、93.60%和95.80%,系数分别为0.8858、0.9237和0.9319,耗费时间分别为27min、30min、6h23min。综合分析后认为RF分类方法较好地平衡了精度与效率,并最终应用RF分类方法提取2020-2021年研究区烟草种植面积和空间分布信息,使用混淆矩阵对其进行精度评价,共提取种植面积3004.56 hm~2,与实际相比面积误差1.51%,达到93.30%,系数为0.9174,和均较高,认为达到了较为理想的提取效果。（3）烟草空间分布。结合研究区DEM、各乡镇实际统计数据等对提取的烟草面积进行空间分析,结果表明本研究提取结果符合研究区烟草实际种植分布情况,;研究区烟草主要种植于海拔812-1200 m、坡度≤15°,人力资源丰富的坝子、山脚等人类宜居区,分布合理,有利于烟草的生产管理,能获得较好的经济效益。本研究为研究区烟草种植监管提出了一种行之有效的烟草遥感分类识别和种植信息提取方法,为研究区烟草种植实时、准确、持续动态监测提供了理论和方法基础,同时为相关部门了解烟草种植、生产和管理情况提供了基础数据与决策支持,在一定程度上为实现烟草精益生产、推动烟草农业数字化转型提供先验知识,具有一定的理论意义和现实意义。