对一定区域内的植物进行分类和状态监测对于农业管理,生态学研究和应用,以及城市园林绿化管理都具有重要意义。传统的植物分类和状态监测主要通过人工调查,虽准确性较高但费时、费力且效率低下。高光谱遥感数据由于包含丰富的光谱信息并且能够对植被进行大面积监测,因此在植物分类和状态监测方面具有很大的潜力。基于高光谱技术的植物分类和状态监测研究,是建立和应用植物光谱库的方法核心,也是应用遥感数据进行大范围植物监测的基础。目前在高光谱遥感数据的监测应用中,已针对不同行业建立了多种光谱库,但专用于植物监测的光谱库相对欠缺,相应的特征选择、分类等算法研究相对较少,不够系统。为此,本文基于上述问题,通过开展系统实验,建立一个植物分类和状态监测光谱库的样库,能够支持植物光谱监测特征优选和算法研究和验证。在此基础上,提出一套包括特征敏感性、鲁棒性分析的特征优选方法,通过对几种常用的机器学习算法进行应用和比较研究光谱分类算法,并进一步基于无人机高光谱影像数据对植物光谱分类方法进行验证。最后,开发了一套植物光谱库原型系统,包含光谱数据存储、检索、植物分类和状态监测相关功能。本文实验和研究主要包括以下几个方面:(1)开展系统实验获得研究数据。通过设计并开展实验获取了一套系统的植物光谱及配套地面调查数据,建立植物光谱库样库。采用严格规范的方法进行植物冠层光谱测定,在杭州市3个地点采集了 77种植物共计1910条标准光谱,包括2个门,6个纲,33个目,48个科,73个属。在此基础上根据植物分类应用场景确定了由17种植物组成的城市绿化植物监测场景和16种植物组成的大田及经济作物监测场景用于后续分析。在植物状态监测方面分别针对茶树长势监测、小麦条锈病病情严重度监测和水稻生育期监测开展控制实验,获取植物冠层高光谱数据以及配套农学数据。此外,还开展了无人机成像高光谱飞行实验,通过图像拼接、校正获得监测区域完整的高光谱图像数据。这些实验为后续植物光谱特征选择和提取、特征敏感性分析以及分类算法研究提供数据基础。(2)提出光谱特征提取和优选方法。文中使用包括光谱微分、连续统和植被指数等方法提取多种类型植物光谱特征。在特征优选方面提出ISODATA波段聚类和JM距离结合的特征敏感性分析方法,针对不同监测场景得到优选光谱特征。在此基础上,通过模拟噪声、光照影响提出了光谱特征鲁棒性分析方法,发现 400nm,700nm,1500nm,2000nm 附近处波段和 WI,NDWI,sLAIDI 等植被指数特征在植物分类建模中较为敏感。700nm,1OOOnm,1400nm和2000nm附近处波段和红边微分特征,BRI,LWVI-1等指数特征对于植物状态监测应用中比较敏感,可用于植物状态监测。(3)开展高光谱植物分类和状态监测算法研究。包括基于K近邻(KNN)算法,机器学习与优化算法结合的遗传算法-支持向量机耦合算法(GA-SVM),以及非参数的随机森林(RF)算法等,分析了各种算法在不同场景和应用条件下的表现,找到适合不同分类场景和状态监测的算法。研究结果显示GA-SVM算法对不同场景植物分类总体表现最好,在城市场景分类中最高精度达到OAA=0.98,Kappa=0.98,在农田场景种最高分类精度为OAA=0.99,Kappa=0.99。在状态监测中,GA-SVM算法在茶树长势监测(OAA=0.91,Kappa=0.86)和水稻生育期监测(OAA=0.93,Kappa=0.92)中同样表现最佳;但在小麦条锈病监测中RF算法的精度最高,达到OAA=0.65,Kappa=0.46。在多种场景和应用分类中,GA-SVM总体表现最好,RF算法次之,KNN算法精度最低,这可能与算法原理和应用中的数据特征分布的匹配度有关。基于特征优选方法和分类算法对无人机高光谱影像数据进行植物分类识别,经地面调查验证精度达到OAA=0.87,Kappa=0.83。表明本研究中提出的植物高光谱分类流程能够有效应用在高光谱影像上。(4)植物光谱库系统开发。本研究基于植物分类和状态监测的实验和方法研究建立了植物光谱库的系统框架,实现了标准光谱及配套参数信息存储、检索,特征计算、敏感性分析,针对植物分类和状态监测等应用的光谱匹配和分类等功能,有利于将基于高光谱技术的植物分类及状态监测方法推向应用。