随着世界人口的不断增长、社会经济的快速发展以及全球气候的不断变化,粮食安全问题成为重要的关注对象。为在气候变化背景下保证粮食安全,在精准农业领域基于无人机的大田作物覆盖度、株高及地上生物量等长势参数的精准、高效估计成为作物长势监测的首要条件。本研究以不同灌溉处理下的大田玉米为研究对象,采用地面及无人机多源遥感平台在不同尺度下采集玉米冠层反射光谱数据,结合田间实际测量值进行大田玉米覆盖度、株高及地上生物量估计及时空分布获取,为精细田间管理提供技术支持。论文主要研究内容及结论如下:（1）基于地面可见光图像的玉米覆盖度估计研究。针对目前常用的基于高斯混合模型的两种经典阈值法（交点法和等概率分类误差法）在高覆盖度水平下覆盖度估计精度不稳定、在严重水分胁迫条件下覆盖度估计误差较大的问题,提出一种基于经典阈值法和统计分析相结合计算最优阈值的固定阈值法,并针对不同可见光传感器对固定估值法的影响进一步研究。结果表明:1)与两种经典阈值相比,固定阈值法针对不同覆盖度水平、不同水分胁迫梯度的覆盖度估计均方根误差分别降低了0.06和0.033（交点法）以及0.058和0.154（等概率分类误差法）,处理每张图像所用时间分别减少43.63和56.05 s;2)不同可见光传感器对基于固定阈值法计算的初始和调整阈值造成的偏移量没有对覆盖度估计精度造成明显影响,均方根误差仅相差0.01。（2）基于无人机多光谱图像的大田玉米覆盖度时空分布估计研究。目前在覆盖度估计研究中应用广泛的无人机可见光图像与聚类法或阈值法相结合的方法受图像分辨率影响严重。而对图像分辨率要求较低的无人机多光谱和机器学习算法相结合的方式在覆盖度时空分布获取研究中应用较少,该方法对不同生长季、不同生育期、不同水分胁迫梯度的扩展性和适用性有待进一步研究。针对以上问题,本研究提出基于植被指数采用随机森林、神经网络、多元线性等回归算法构建覆盖度估计模型。此外,通过基于独立验证集的模型精度评价,选择对三种因素适用性最强的回归模型。结果表明:随机森林回归模型精度最高,在所有验证数据集中覆盖度平均绝对误差MAE为0.03-0.06。此外,该模型具有最好的年际间、生育期及水分胁迫梯度的适用性,神经网络回归模型次之（比随机森林MAE最高相差0.1）,多元线性回归模型对多种因素的适用性最差（比随机森林MAE最高相差0.48）,造成该现象的原因为玉米覆盖度水平较高时多元线性回归算法的估计性能不稳定。（3）基于作物表面模型的大田玉米株高估计研究。目前基于遥感的作物株高估计最常用的方法是通过从作物表面模型CSM中提取的株高特征值估计株高,而数字地面模型DTM的获取则是计算CSM的关键参数。然而,基于作物间隙土壤信息和空间插值算法精确构建DTM的最佳覆盖度条件仍是未知,且不同无人机遥感图像采集方式（正射或倾斜摄影）和图像分辨率对作物株高估计精度影响仍需进一步研究。针对以上问题,本研究以大田玉米为研究对象,主要对比分析不同覆盖度水平对基于空间插值算法的DTM构建精度的影响,以及分析不同图像空间分辨率和不同无人机遥感图像采集方式对株高估计精度的影响,以期明确基于无人机遥感图像的最优株高估计方式。结果表明:1)覆盖度小于0.4是基于IDW插值精确构建DTM的必要条件,该条件下基于IDW插值获取的DTM平均误差在2018和2019年分别为0.15 m和0.09 m;2)基于单航线垂直摄影（90°）和双网格航线倾斜摄影（70°）采集的遥感图像进行作物株高估计时,最优株高特征分别为作物表面模型CSM的第99分位数和最大值,表明基于双航线倾斜摄影图像获取的三维信息更精确;3)当采用双线性插值方法对图像进行重采样时,株高估计均方根误差随图像分辨率的下降具有上升趋势。（4）基于多源遥感的大田玉米生物量估计研究。由于基于无人机遥感提取的植被指数、覆盖度和株高等参数在玉米生长后期出现饱和现象,无法构建适用于整个生育期的高精度生物量估计模型。针对这一问题,本章以大田玉米为研究对象,在基于无人机遥感提取的植被指数、FVCUAV、PHUAV基础上增加了随时间序列不断累积的有效积温GDD,构建适用于包括营养生长期、生殖期、成熟期的玉米生物量估计模型,并通过对比多元线性、随机森林回归算法性能提供一种具有年际间通用性的生物量回归模型。结果表明,1)GDD参数的引入有效解决了光谱和结构参数在生殖期、成熟期的饱和问题;2)以干生物量为例,在整个生长季内相比于仅使用植被指数的生物量估计模型,基于植被指数与GDD的干生物量估计模型验证R2提高了0.07～0.23,相对均方根误差（relative RMSE,r RMSE）降低了0.03～0.07;3)随机森林回归模型在年际间通用性优于多元线性回归模型,以干生物量估计为例,前者R2比后者高0.46、前者r RMSE比后者低0.14。综上所述,本研究解决了大田玉米生殖期和成熟期玉米生物量估计问题,且提供了一种适用于多个生长季的回归模型。