无人机多光谱遥感在农业中有着广泛的应用,尤其是在水稻长势监测方面具有不可替代的地位。对水稻长势进行监测可以掌握水稻生长状态的空间差异,进而指导田间管理人员有针对性的采取农事活动和投放农业资源,减少化肥和农药的使用量,节约生产成本。无人机获取的多光谱图像具有较高的空间和时间分辨率,通常其选择的光谱波段包含监测水稻长势的诊断信息。现有研究往往针对整幅图像反演与长势相关的某一关键参数,不区分水稻与其他地物,多利用光谱信息,空间信息的挖掘不充分。为有效解决这些问题,本论文基于无人机多光谱遥感图像,研究了种植区域提取和冠层关键参数反演等实现水稻长势监测的关键问题,最终实现了水稻长势的精准监测,对后续农事活动具有重要指导意义。针对现有种植区域提取方法精度低和不完整的问题,论文首先研究了基于多光谱图像分类的种植区域提取方法,通过对图像进行逐像素的地物分类获取水稻种植区域;为了提升特征表示的有效性,论文引入注意力机制,设计了一种基于辅助信息和注意力机制的3D-Res Net网络,抑制与任务无关的干扰特征,同时修正错误的特征表示,提升了种植区域提取的精度和完整性。然后,针对现有参数反演模型适用性差的问题,论文提出了一种用于叶绿素含量反演的差分比值光谱指数,与水稻叶绿素含量相关性较好,具有良好的泛化能力。由于传统回归模型无法准确反演特征与叶绿素含量之间的映射关系,因此论文采用了梯度提升树来构建反演模型,提高了模型的准确性和泛化性能。在此基础上,基于叶绿素含量的空间分布实现了水稻长势监测,获取了同一区域水稻长势随时间的变化趋势。最后,针对图像空间信息利用不充分的问题,论文提出基于多特征融合的氮含量反演方法,将图像光谱特征和空间特征相结合,相较于单一特征,有效提升了模型的反演效果。论文从深层特征提取和特征有效融合两个方面设计了一种双分支结构的深度卷积网络,使得特征表示更为准确,通过多尺度模块对不同维度的特征进行融合,大大提升了氮含量反演的准确性。在测试集上的结果表明,深度卷积网络具有良好的泛化性能,证明了空间特征和深度卷积网络在水稻冠层参数反演中应用的可行性。在获取氮含量的空间分布之后,结合叶绿素含量协同监测水稻长势,相较于单一长势参数,协同监测的结果更为细致,指导意义更明确。