本文以冬小麦为测量目标，在分析研究区典型地物物候特征的基础上，提出一套基于不同种植结构下的多时相中高分辨率遥感时序数据冬小麦识别方法，并对简单种植结构和复杂种植结构下的冬小麦播种面积识别进行了试验，得到如下主要结论：　　 1.简单种植结构条件下：　　 1)SVM法、NDVI差值法和PCVA法这三种基于冬小麦物候关键期的变化检测方法提取出的冬小麦播种面积结果的面积总量和空间分布十分相似。其中，PCVA法测量结果总体精度为95.6％，Kappa系数为0.902，远高于SVM分类后直接比较方法(总体精度91.2％，Kappa系数0.794)，同时，相比于SVM法，PCVA法漏分误差降低，生产者精度得到了很大的提高。NDVI差值法识别结果总体精度为81.6％，Kappa系数为0.613，远远低于前两种方法识别精度。　　 2)NDVI差值频度直方图曲线很不稳定，且频度值在阈值取值范围内很高，这使得其变化阈值的选择必然对象元的最终提取数量有很大的影响；而在PCVA法中，变化向量强度的频度直方图出现两极化现象，这使得频度值在阈值取值范围内被压低摊平，阈值敏感性降低，这减小了阈值判断导致的误差，使结果更为客观，一定程度上解决了阈值难以设定的问题。　　 3)NDVI差值法和SVM分类后比较法受影像空间异质性的影响较大，提取结果的稳定性小于PCVA法。　　 4)SVM分类、同类别隶属度合并和变化向量分析这三个部分的结合增强了PCVA法对植被光谱差异的敏感性，使其能够监测不同季相上植被的长势变化，进而提高了农作物播种面积遥感监测的精度，是简单种植结构条件下较为优秀的作物播种面积识别方法。　　 2.复杂种植结构条件下：　　 1)PCVA具有较高的识别精度和结果稳定度，但由于无法获取物候特征较大的关键期时相组合，该方法只能以越冬作物为识别目标，而无法对冬小麦进行有效识别。　　 2)多时相影像集方法对研究区影像的分类精度很低，分类总体精度为64.4％，Kappa系数为0.5657。以越冬作物为目标的识别实验表明，PCVA法明显优于多时相影像集法，其中，多时相影像集方法的总体精度为88.4％，远远低于PCVA法(96.8％)，Kappa系数相差0.15(多时相影像集法为0.763，PCVA法为0.929)。主成分分析法的总体精度为70.1％，略高于多时相影像集方法(64.4％)，Kappa系数为0.6343，也高于多时相影像集方法(0.5657)，这表明将在分类前对多时相影像集中的主要特征进行提取和压缩能够提高目标作物的识别精度，但该方法对非植被地物中的裸地、河流水体和废水池的识别能力有所降低。　　 3)作为冬小麦的主要同期作物，油菜对冬小麦的识别产生了很大的干扰。单纯利用作物光谱时间曲线形状特征的光谱相似度匹配指标进行作物类型识别的方法与主成分分析方法得到的地物识别精度相近，而综合了光谱时间曲线形状特征和数值特征的光谱相似度匹配指标对目标作物的识别精度有了很大程度的提高。其中冬小麦的漏分误差和错分误差在该方法中接近10％，精度的提高幅度十分明显。　　 4)与基于像元的识别方法相比，对象和像元尺度相结合的多尺度识别方法能够得到更好的总量精度和位置精度，但该方法识别结果的椒盐现象仍然存在。　　 5)使用历史耕地地块数据进行两阶段作物地块分割，能够在最大限度的保持稳定的耕地地块边界的同时，获得比直接分割更均一的对象，同时，二级分割过程中按对象局部调整分割参数的方法能够合理考虑各地块内部的实际情况，使“欠分割”和“过分割”现象基本消除，分割结果比全局参数结果更为合理。　　 6)复杂种植结构条件下，冬小麦作物的总体识别精度较低，这是由于研究区地理位置与气候条件、遥感数据源本身的质量和光谱可辨识程度、同期作物油菜与冬小麦物候极为相似以及同期作物油菜光谱变异程度很大这些因素共同决定的，分类器和分类方法的改进对识别结果精度的提高并不十分理想。