农作物种植结构信息是农田管理的基础,快速准确的获取农作物种植结构信息对农田信息管理、农田评估等方面具有重要作用。使用传统方法进行农作物信息提取费时费力且受人为因素影响较大,精度无法满足要求。目前随着无人机遥感技术和数字图像处理技术在农业中的发展和应用,能快速、准确获取多个波段的田间影像,这为农作物信息的快速精确提取提供了新的技术和解决方法。无人机遥感技术能获取农田高分辨率影像,影像分辨率的提高增强了地物细节的表达,但仍存在部分光谱信息的丢失,导致同物异谱和同谱异物现象。因此本文结合无人机遥感技术的优势并针对高分辨率影像的不足,以安宁市某试验田作为研究对象,通过无人机获取研究区常规RGB影像和多光谱影像,在高分辨率影像的光谱信息基础上,引入植被指数特征和纹理特征进行作物分类研究。在得到最优分类方法组合的基础上,对研究区主要农作物的生育周期进行最佳时期提取研究,为该区域后续农田管理提供新的技术支撑。本文主要研究内容及结论如下:（1）最佳分类特征提取。通过确定主要农作物及训练样本和验证样本,对影像进行波段特征提取、植被指数特征构建及提取、纹理特征计算及提取。分别利用相对差异系数法、OIF最佳指数法、Relief F-Pearson算法、灰度直方图提取常规RGB和多光谱影像下的特征,提取结果中常规RGB影像最佳特征分别为EXR（Excess Green Minus Excess Red Index）、EXG（Excess Green Index）、NGBDI（Normalized Green-Blue Difference Index）、R均值、B均值、G信息熵、B协同性、G均值,多光谱影像最佳特征为:Red、Green、Nir、GNDVI（Green Normalized Difference Vegetation Index）、NDVI（Normalized Difference Vegetation Index）、OSAVI（Optimized Soil-Adjusted Vegetation Index）、N均值、N二阶矩、G二阶矩、R二阶矩。通过以上方法可以有效进行数据降维,降低数据冗余度,提高数据处理效率。（2）农作物多特征组合分类。针对提取的最佳特征,进行不同特征组合,利用随机森林（Random Forest Classifier,RF）和支持向量机（Support Vector Machine,SVM）分类器验证不同组合的分类结果及精度。在常规RGB影像下,通过不同特征组合试验,结果表明,RF分类器更适合本次试验分类,并且在引入多种最佳特征后,总体分类精度不断提高,其中豆类和水稻的提取精度得到明显提升,在3种特征组合下总体分类精度达到了93.84%,Kappa系数为0.916,可以较好的提取农作物信息。在多光谱影像下结合多特征组合进行作物分类,结果表明通过选取合适的特征进行多特征组合可以有效提取农作物信息,并且总体分类精度达到了94.21%,Kappa系数为0.93,主要农作物的提取精度得到明显提升。经过常规RGB和多光谱分类试验说明引入合适的特征进行作物分类可以提高分类精度,同时也说明了常规RGB影像在波段少于多光谱影像的情况下,引入合适的特征也可以达到多光谱影像农作物分类效果。（3）面向对象分类。在ENVI软件中进行农作物监督分类是基于像元分类,分类结果中出现椒盐现象,为解决这个现象引入面向对象分类。面向对象分类原理为先分割再分类,本文利用ESP2插件确定最佳分割尺度为87,在该尺度下进行多尺度分割,并选择合适对象作为训练样本,基于多光谱影像特征进行分类对比试验。分类结果表明,面向对象分类可以去除椒盐现象,并且分类效果优于同期基于像元分类的多光谱影像模型,总体分类精度提升了0.88%,Kappa系数提升了1.06%,主要农作物提取的面积相对误差都有明显降低,综合以上试验说明,利用面向对象法进行分类模型构建能更好的提取作物信息,并且可以去除椒盐现象。（4）农作物多生育期分类。基于多特征降维方法,提取不同时期影像的最优特征组合,基于RF分类器构建不同时期的分类模型,通过精度评价表结合面积相对误差分析表明,常规RGB影像和多光谱影像中,豆类作物的最佳提取时期为成熟期,油葵作物最佳提取时期为开花期阶段,水稻作物的最佳提取时期为拔节期—成熟期阶段,玉米作物最佳提取时期为抽雄期—成熟期阶段。在本次试验中,最佳作物提取时间为8月23日,在该时间下主要农作物都处于最适提取生育阶段,并且提取的作物面积相对误差最小。