冬小麦是我国三大粮食作物之一,其生产状况直接影响着我国的粮食安全。基于无人机遥感图像的小麦生长监测,在现代小麦产量和管理中扮演了日益重要的角色。而叶绿素是植物进行光合作用的重要色素,其含量与农作物的生长态势、营养状况等关密切相关。因此,叶绿素含量（SPAD值）已成为评价农作物生长状况的一个重要指标。传统小麦SPAD值的监测过程耗时费力、步骤繁琐、操作复杂、并具有破坏性。因此,针对该问题开展高效、无损且适合大面积冬小麦的SPAD值遥感监测是实现冬小麦长势监测和产量评估的重要措施。在进行小麦生长监测的研究时,可选择使用无人机搭载视觉相机获取小麦田间图像,其操作灵活、价格便宜、效率更高。本文以实现冬小麦SPAD值的无人机遥感定量估算和遥感反演为研究目标,进行了相关研究工作,其研究结果具体如下:（1）开展了基于深度学习模型的无人机小麦图像的语义分割研究。将SegNet分割模型应用到基于无人机的小麦冠层图像分割,并与传统分割方法进行对比。首先,需要使用LabelMe软件进行标签图制作,并对获取数据进行增强处理;其次,对SegNet分割模型进行各种参数的优化;最后,通过掩膜后的分割结果与大津法、最大熵阈值法、K均值法进行对比。实验结果显示,基于SegNet算法的分割效果最好,其精确度达到93.98%,重叠指数提升到92.38%。该实验表明,基于无人机背景下,SegNet模型在该参数（激活函数为ReLU,学习率为0.0001,迭代次数为500次）下更适合的无人机获取的小麦冠层图像分割,与传统的分割方法相比具有较强的鲁棒性。（2）开展了五种不同颜色空间的特征提取研究。基于SegNet算法分割后的小麦冠层图像,利用图像处理技术,分别提取RGB、HIS、YUV、YCbCr和L*a*b*五种颜色空间下的 R、G、B、H、S、I、Y、U、V、Y、Cb、Cr、L*、a*和 b*分量。（3）构建了基于传统机器学习和深度学习的小麦冠层叶绿素含量预测模型。利用提取的单一颜色空间分量及多种颜色空间分量,分别构建了基于支持向量回归（SVR）、灰狼优化支持向量回归（GWO-SVR）和卷积神经网络回归（CNNR）的小麦冠层叶绿素预测模型,并设计了不同结构的卷积神经网络回归模型。实验结果表明,基于单一颜色空间的分量预测效果中L*a*b*空间的分量最优,RGB空间的分量表现最弱;融合五种颜色空间分量的预测效果对比,基于具有四个卷积层的CNN 1D-4模型预测精度最高,其测试集的决定系数高达0.875,比SVR提升了 37.1%,比GWO-SVR 提升了 17.7%。