在大豆全程生产过程中,收获时期的损失显而易见,收获时期不当,往往造成很大的收获损失。大豆成熟度的准确评价是减少大豆收获损失的重要途径,随着计算机技术和光谱技术的快速发展,利用无人机光谱技术与机器视觉技术为农作物智能管理提供指导已成为一种趋势。本文通过对无人机多光谱大豆成熟评价理论进行分析,进一步确定大豆成熟度评价指标,进而建立了大豆成熟度识别模型,研究了大豆成熟度分区方法,并进行试验验证。以期为实际农业生产中大豆成熟度的识别与大豆最佳收获时期的确定和成熟度分区奠定理论基础,为统一调控大豆成熟度一致提供决策参考。具体研究内容如下。通过分析大豆在实际生长过程中成熟期（黄熟期至完熟期）的形态特征与生理特征变化规律,对多光谱大豆成熟度检测原理进行了分析与探讨;将无人多光谱遥感工作原理、植物光谱特征反射机理,以及大豆成熟期光谱特征联合分析,最终确定大豆成熟度的检测原理,为下一步大豆成熟度评价指标的选择与评价模型的建立奠定理论基础。对成熟期大豆的理化参数进行提取分析,利用无人机多光谱技术通过构建植被指数,对多光谱数据进行预处理提取光谱反射率,分析植被指数特征和光谱反射率与理化参数的关系,确定光谱指数GNDVI为最佳的表征大豆成熟度指标,为下一步大豆成熟度智能识别及分区方法研究提供依据。基于光谱指标GNDVI、单位化网格思想、自然段点分级法结合大豆实际含水率建立了大豆三类成熟等级。并制作不同成熟度等级试验样本,基于光谱反射率、影像信息的颜色和纹理特征,利用BP神经网络和SVM算法对成熟等级进行识别,确定基于GNDVI颜色和纹理特征结合的SVM模型为最佳模型,模型识别率为100%。在此基础上利用该模型与像素级GNDVI与单位GNDVI均值统计方法进行试验对比分析,确定单位GNDVI均值在自然条件下识别率更准确,为下一步大豆成熟度分区研究提供数据基础。基于单元化网格对试验区空间效应进行研究,探究区域理论下数据空间相关性和变异性,基于此确定最优采样范围;以聚类性能指标作为评价指标,得到最优的聚类算法,建立成熟度分区处方图,并进行大田试验。结果表明,小试验田和大试验田均能在相应的检测距离内保证空间的相关性和较小的变异性,小试验田最佳检测范围为2-30m范围。大试验田最佳检测距离范围在2-67m。经试验验证Mini Batch K-Means算法在成熟度分区上的优越性,分区结果符合大豆实际成熟度情况,为下一步成熟度化学调控一致提供理论基础。