精准农业航空概念的提出,对于提高农药使用率,降低农药使用量起到了重要的指导作用。无人机遥感技术的发展,更高效实时获取农情信息,让决策者及时了解作物的生长情况与病虫害等信息,是突破精准农业航空推广瓶颈的关键。目前国内外关于无人机遥感技术的研究往往只集中在遥感图像的采集或遥感图像的分析方面,很少有将图像采集与分析有机结合,进而实时获取农情监测结果的研究。随着嵌入式操作系统的发展,微处理器芯片在比较复杂的环境下,能够快速有效完成图像采集和在线分析的任务。因此,本文以无人机遥感图像采集系统构建及水稻杂草识别为研究对象,搭建了无人机遥感图像采集平台,并进行了图像预处理、图像分割、图像特征提取、图像分类等一系列,遥感图像采集系统和分析研究等一系列的图像处理均在同一个嵌入式开发板（Jetson TK1）上运行,主要结果如下:1.搭建了基于嵌入式的无人机遥感图像采集平台:以大疆经纬M100为无人机开发平台,Jetson TK1为嵌入式控制板,设计机上系统和地面站,并且以可见光相机组建外设的遥感图像采集装置。2.设计了基于嵌入式的无人机遥感图像采集系统的可行性测试。在地面站与无人机端的系统架构下,测试了无人机上嵌入式的飞控模块以及图像采集模块,验证了基于嵌入式的无人机遥感采集系统的可行性。3.研究了以基于无人机遥感的水稻杂草分类为研究目标的提取,将所采集的可见光遥感图像分割为不同的区域作为待识别样本,分别进行了颜色特征RGB和HSV的一阶矩、二阶矩和三阶矩提取、Tamura纹理特征提取以及可见光植被指数特征提取。最后通过盒形图的对比和特征筛选,构建了9维的分类特征向量,为下一步的水稻杂草对象分类提供了依据。4.研究了水稻杂草可见光遥感图像分类方法。根据特征提取和特征向量的构建,采用支持向量机SVM（Support Vector Machine）分类器进行分类识别。基于Mercy核理论的基础,提出并建立了三种核函数组成的混合核函数SVM分类模型;基于交叉验证的多测试集的思想,提出并建立了以SVM-Adaboost为超平面的混合SVM分类模型。分别将构建的特征向量输入到SVM分类器以及两种改进模型,结果表明,混合函数SVM对测试样本的分类效果最好,水稻杂草的分类精度达到91.2%。