近年来,随着化肥施用量的不断增长,辽宁地区的环境污染、粳稻品质、病虫害发生等问题均有不同程度的加重。与此同时,粳稻田间生产管理环节中盲目追肥,缺乏管理依据,增加生产成本,降低经济收益和生态收益等问题日益严重。随着信息技术、低空遥感等新技术的快速发展,在粳稻生育期内对其氮素营养状况进行诊断,对于粳稻生产精准管理与智能决策具有重要的科学意义和现实意义。目前,传统的粳稻氮素营养诊断方法在空间覆盖面积、检测准确性等方面均存在一定的问题,难以满足粳稻实际生产的需求。无人机低空高光谱成像等技术的不断成熟,为改善辽宁粳稻田间生产过程中氮素营养精准诊断提供了新的方法及技术支撑。本文主要的研究内容和结论如下:（1）本文以辽宁地区粳稻氮素诊断为重点的研究对象,于2015年—2017年分别在沈阳农业大学辽中粳稻栽培试验站、沈北新区清水台柳条河镇试验田开展不同氮肥处理的东北粳稻小区栽培试验,同时在粳稻生长过程中开展无人机低空高光谱遥感试验和植保无人机变量追肥试验,涉及的粳稻品种为“沈农9816”。综合运用无人机低空遥感高光谱成像系统,在粳稻关键生育期内采集冠层高光谱信息,采用粒子群优化算法、集成机器学习、改进最优指数等方法对所采集的稻田高光谱遥感影像进行分类提取,提取出粳稻的高光谱信息。由高光谱遥感影像的分类提取结果可知,采用基于改进最优指数的特征选择与分类方法提取的粳稻纯净高光谱信息分类效果最好,准确度为91.82%。结果表明,采用基于改进最优指数的特征选择与分类方法适用于从地物干扰较多的田间环境中较为准确的提取粳稻高光谱信息,用于后续营养诊断建模。（2）分析了东北粳稻的高光谱反射率曲线及相应的理化特性,通过高光谱特征提取和特征波段筛选采用多种降维方法,对无人机采集的400nm¹000nm范围内高光谱信息进行降维。并在降维的基础上采用统计分析法、植被指数法、机器学习法、光学辐射传输机理法等多种建模方法,分别建立了粳稻叶绿素含量、氮素含量的反演模型。（3）采用基于微粒子群优化的极限学习机算法所建立的粳稻叶绿素含量反演模型,以410nm、481nm、533nm、702nm、798nm为模型输入变量,在反演精度上要优于其他反演算法所建立的粳稻叶绿素含量反演模型。通过试验研究确定了PSO-ELM反演粳稻叶绿素含量模型的最优种群规模为80,最优惯性权重w为0.9⁰.3线性递减,学习因子C₁=2.8、C₂=1.1,速度位置相关系数m为0.6。利用优化参数建立的PSO-ELM粳稻叶绿素含量反演模型,模型决定系数R²为0.887,RMSE为0.783。（4）通过对粳稻高光谱数据进行降维,提取氮素含量敏感波段,基于回归分析、高斯过程回归、分类回归树、偏最小二乘法等算法建立粳稻的反演模型。其中采用机器学习算法的粳稻氮素含量和冠层光谱信息的相关性达到极显著相关水平,高斯过程回归算方法R²最高为0.893,偏最小二乘法次之,分类树回归最低为0.761。综合分析,利用高光谱遥感信息结合机器学习方法所建立的粳稻氮素含量反演模型,能够有效的反演粳稻氮素含量。（5）本文通过改进氮肥优化算法,建立基于高光谱氮素含量反演的粳稻田间追肥模型,并利用无人机进行精准喷施,其中田间追肥所选用肥料的氮素所占比重为0.447,调控系数经试验测定赋值为0.83。并运用植保无人机实现粳稻田间追肥的精准喷施。本文的研究结果可为辽宁地区粳稻氮素营养状况快速诊断,并根据诊断结果开展田间精准喷施作业,为实现粳稻生产减肥增效提供一定的技术基础和数据支撑。