准确把握地面植被资源的种植结构是农业资源调查和环境监测的基础性工作,对经济、社会和环境的可持续发展具有重大的意义。空间技术的发展使得多源遥感数据在农业遥感领域的工作得到迅猛的开展,充分挖掘多源遥感数据中潜在的有效信息可用于特定专题信息的识别和解译。目前,多源遥感数据主要来源于高空遥感影像和低空航拍影像。由于卫星遥感图像获取周期长、成本高、实时性差以及易受天气等因素的影响,作为卫星遥感手段的补充,无人机成为新型遥感手段并依靠自身独特的优势在遥感领域得到广泛的应用。本文选用卫星多光谱图像和无人机图像作为植被图像解译方法的主要数据来源。分别对卫星多光谱图像和无人机图像的特点进行分析,自图像预处理、图像融合、图像分割、特征提取到面向对象的监督分类方法进行研究。面向对象概念中的对象指的是遥感图像中的地理对象实体,是由多个相邻的具有特征同质性像元所组成的集合。由对象代替单个像元为作为分类的基本研究单元,可抽象出更多的特征信息有利于提升特征提取和分类识别的效果。由于高分辨率图像分割过程中易出现的对象破碎化现象,传统的分类技术对地面植被类型识别分类的精度不高,本文提出一种高分辨率遥感图像在地面植被分类方面的技术,一方面利用图像融合技术克服单个遥感数据包含地面植被分类的有效信息匮乏的局限性,另一方面探索有效的遥感图像分割方法合理的分割图像对象,旨在提高研究区域内提取地面植被的分类精度,满足相关应用的需求。本文的研究内容主要有:(1)以高分一号卫星多光谱图像与无人机图像为融合数据源,在深入分析两种数据在波段、分辨率以及光谱响应范围的基础上,提出一种无人机图像与多光谱图像的融合方法,通过与原无人机图像评价指标的比对,验证该融合方法的可行性。基于该融合方法生成的图像,分别使用最大似然分类算法(Maximum Likelihood Classification,MLC)、随机森林算法(Random Forest,RF)和支持向量机算法(Support Vector Machine,SVM)对融合后图像进行分类识别操作,并与原始无人机图像进行分类结果对比。实验结果表明,本文提出的融合方法在分类识别技术流程框架中能够发挥有效的作用,对于融合图像中的玉米、花生以及金银花植被类型的分类识别效果都有所提高,能够有效提升地物分类的精度。(2)以高分辨率无人机图像为源数据,在多尺度分割算法的基础上分别在不同尺度下提取不同种类的地物进行图像分割,再进行面向对象的监督分类。由于农业应用遥感图像分辨率的提升,单个尺度的图像分割算法容易导致图像分割后出现分割对象碎片化的现象,本文采用分层次提取地物的多尺度图像分割算法对无人图像进行面向对象的分割,并与单个尺度下的分类识别结果进行对比。实验表明,在分层次的多尺度分割算法下,本文使用的处理流程框架在能够有效提升地面植被分类识别精度。(3)本文在基于多尺度的遥感地面植被分类识别的方法体系下,在高精度农情监测和制图方面进行了应用探索。在覆盖范围较小的区域下,不仅可以有效的获取到地面植被分布等信息的概况,还可以更加准确的对研究区域进行面积和产量等方面的预测。