农业遥感是遥感应用领域的一个重要应用方向。遥感技术以其探测周期短、覆盖范围大、现时性强、费用成本低等特点,逐渐成为了精准农业领域获取信息的重要手段之一。然而,由于卫星传感器成像本身具有瞬时性和周期性的特点,再加上地面气象条件对传感器成像的影响,使得难以在较低的成本下获得既具有高空间分辨率又具有高时间分辨率的数据,遥感数据的时空精细度成为了制约其在精准农业领域应用的重要因素。时空融合算法可以融合高空间分辨率遥感数据的空间分辨率特征和高时间分辨率遥感数据的时间分辨率特征,从而生成同时具有高时间和高空间分辨率的遥感数据,对遥感数据的应用具有重要意义。目前的时空融合算法大都是针对两种数据源的遥感数据进行融合,没有充分利用现有多种数据源的优势。针对这种情况,本文在STARFM的基础上提出了利用局部自相关指数改进权重函数的多源遥感数据时空融合算法,充分利用多源遥感数据以提高融合数据的质量。本文的主要研究内容及结论如下:1)在对比分析主要时空融合算法的基础上,以STARFM算法为基础,结合局部空间自相关指数,提出了基于空间自相关分析的多源遥感数据时空融合算法。以一种高空间分辨率数据为主要高空间分辨率数据,其余高空间分辨率数据为辅助数据,利用离预测日期最近的高空间分辨率数据提取局部空间自相关指数改进融合时的权重函数,使具有相似纹理结构的像元在融合时有更大的权重,提高了融合数据的质量。这两种基于局部自相关指数的方法不需要进行光谱归一化过程,当加入新的高空间分辨率数据时可以直接计算局部自相关指数用于融合。2)基于光谱归一化的ESTARFM算法先通过目标日期前后两期数据预测目标日期的高空间分辨率数据,然后通过权重组合获得最终融合结果,其权重组合是利用低空间分辨率间像元反射率差异获得的,不可避免的又引入了低空间分辨率的混合像元问题。本文提出了一种先利用STARFM算法预测目标日期的高空间分辨率数据,通过时间距离加权平均法初步预测目标日期的高空间分辨率数据,然后通过前后日期的高空间分辨率数据和初步预测的目标日期高空间分辨率数据间的反射率的差异计算每个像元的权重组合,进而逐像元计算得到目标日期的高空间分辨率数据。3)对比研究了原始STARFM算法、基于局部Moran指数的STARFM改进算法、基于局部Getis-Ord G指数的改进STARFM算法和基于光谱归一化的ESTARFM算法、基于光谱归一化的STARFM改进算法,以目视解译法和评价指标定量评价的方法对比分析5种算法的融合精度。结果表明:基于局部Moran指数和基于局部Getis-Ord G指数的算法融合的数据质量虽然不如基于归一化的ESTARFM算法和基于光谱归一化的STARFM改进算法融合的数据质量,但是相比于原STARFM有所提高。这两种基于局部自相关指数的方法不需要进行复杂的光谱归一化过程,应用更为简便。4)由于窗口大小和预估地表覆盖类型数量等参数对融合数据质量影响较为明显,本文测试分析基于局部空间自相关指数的多源遥感数据时空融合方法中这两种参数的最优组合。随着窗口的增大以及预估地表覆盖类型数的增大,融合数据的质量都呈现出先提高后降低的趋势。在本研究区内,选定窗口大小41像元、预估地表覆盖类型数量2为最优组合。当参数设定大于或小于最优组合时,融合数据质量均不如选择最优参数时获得的融合数据质量。5)以黑龙江双山农场及其周围区域为研究区,利用多源遥感数据时空融合算法获得的数据开展农作物分类和积雪融化监测的应用,并与不使用融合数据进行的农作物分类和积雪融化监测对比。研究表明:使用多源遥感数据时空融合算法获得的数据能够提高农作物分类的精度和积雪融化期的监测能力。