农业是国民经济的基础。精确及时地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。由于农业生产具有覆盖面积广、区域差异大、季节性强、单位面积经济效益偏低等特点,使得通过地面调查方法来获取每年的作物种植信息,无论从技术方面还是经济方面衡量,都是一件极其困难的事情。而近年来高速发展的遥感技术则是解决这一问题行之有效的方法。与传统的统计方法相比,用遥感手段获取作物种植信息有其独特的优势。遥感具有覆盖面大、重复观测周期短及数据获取成本较低等特点,与地理信息系统和全球定位系统结合,一方面可以提取作物种植面积,另一方面可以实现作物空间分布的精准定位,从而全面地监测作物的整个生长过程。研究针对遥感多光谱时间序列影像数据的特点,改进了三种特征提取算法,分别用来提取时间序列影像数据的光谱特征、时相特征和空间特征,并在此基础上提出了一种综合光谱、时相和空间多维遥感特征的作物精细分类方法,实验结果表明该方法有效提升了作物精细分类的精度。并将该方法应用到东北三省作物精细分类识别中,获得了较好的结果。本文的主要工作和结论如下:(1)针对高光谱数据的数据冗余问题,改进了一种基于流形学习的特征提取算法——局部保留嵌入(LPP)。一方面提出了一种“图生长”策略,通过近邻选择和近邻合并两个步骤,为每个像元自适应的选择了不同数量的近邻点,解决了局部流形学习算法的近邻参数难以确定问题;另一方面修改了原算法的目标函数,增强了非近邻点间的不相似性,使之获取的特征更适合于高光谱遥感影像分类。(2)针对遥感多光谱时间序列影像数据的高维度问题,提出了一种基于动态时间规整的拉普拉斯映射算法——LE-DTW。LE-DTW算法不仅可以充分利用遥感时间序列数据中的全部有效数据,而且可以对不等长的时间序列数据执行降维过程,形成包含大部分有用信息的等长特征波段,以解决多数算法难以直接处理不等长数据的问题,方便后续应用。(3)针对遥感多光谱时间序列影像数据难以获取空间特征的问题,提出了一种基于动态时间规整算法的最小生成树分割算法——MST-DTW。该算法是一种基于图理论的影像分割算法,利用了全部可用的时间序列数据,即使时间序列数据长度不相等,仍然可以执行分割,获取分割图。(4)提出一种综合了光谱、时相和空间多维遥感特征的分类方法——STS分类方法。该方法使用了全部可用的遥感多光谱时间序列影像数据,首先利用光谱和时相特征获取基于像元的分类图,然后用基于空间特征获取的分割图对其进行空间优化,采用多数投票策略获得最终的分类专题图。通过在美国三个主要农业产区的实验表明,与传统基于单一特征的分类方法相比,综合时空谱多维遥感特征的STS方法能获得更好的分类效果。(5)以我国东北三省(黑龙江省、吉林省和辽宁省)为例,针对其三种主要农作物——玉米、水稻和大豆,从原始时间序列数据获取、数据处理、特征提取到分类给出了一套完整的作物空间分布信息获取方案,并与国家统计局发布的统计年鉴数据进行对比,结果表明我们提出的方案可以完成较高精度的作物精细分类。该方案只需要人工采集部分训练样本,而不需要其他过多的人工干预就可以执行,因此,该方案为大区域尺度高精度的作物精细分类研究提供了基础。