近年来,高时间、高空间分辨率卫星传感器的涌现以及机器学习算法的发展,极大提高了大宗作物区域种植情况的遥感监测效率和精度,但是,由于水稻种植结构渐趋复杂多样,不仅有早稻、中稻、晚稻和再生稻（一茬收获两季水稻）所构成的传统种植模式,还有新兴的虾-稻共生模式（简称为“虾稻”,下同）,再加上同物异谱和异物同谱等现象的广泛存在,以及传统的遥感图像分类方法受人为因素的影响较大等,使得水稻种植面积和种植模式的遥感精确监测一直是个难题,监测结果存在较高的不确定性。为此,需要研究契合目标作物生长过程内在特性的遥感大数据智能信息提取模型与识别方法,以便实现高精度的区域大宗作物遥感智能监测。为此,本文开展了适于不同类型水稻种植模式遥感智能识别的关键技术与方法研究。相比已有研究,本研究从以下三个方面尝试进行创新性研究:（1）基于视觉选择性注意机制的水稻类型遥感多特征表达可视化:综合利用各类水稻自身独有的生长特性和视觉的选择性注意机制,结合记录了水稻生长过程信息的高时空分辨率遥感数据集,进行旨在增强不同水稻类型信息的遥感多特征表达可视化。（2）基元尺度的水稻类型遥感智能识别:充分利用大田作物种植管理最小空间尺度（田块）的角度出发,首先基于计算机视觉识别技术进行目标水稻遥感识别基元的提取,在此基础上再应用代表性的机器学习算法,开展多类水稻多算法的智能提取研究。（3）提出利用能够同时兼顾遥感错分和漏分信息的复合分类精度系数（composite classification accuracy,CCA）,对不同类型水稻在基元和像素两种尺度上的遥感分类结果进行精度评价,以便于既能客观评价各类水稻的分类效果,同时也使得两种尺度上不同算法的识别性能相互之间具有可比性。基于上述思路,本文以多时相Sentinel-2号遥感影像为主要数据源,以水稻种植结构比较复杂的江汉平原典型区域为实验区,依据区内不同类型水稻的生长发育特点,采用遥感多特征指数进行水稻类型信息增强和可视化表达,再运用计算机视觉识别技术目标水稻遥感识别基元的提取,在此基础上,分别在像素和同质基元两种尺度上,应用DNN、支持向量机、决策树以及随机森林等代表性的机器学习算法,对研究区内不同类型的水稻及其种植模式开展了遥感智能识别分析,并基于复合分类精度系数对不同尺度上的水稻种植模式分类效果和不同算法的识别性能等进行相关研究,所取得的主要研究成果如下:（1）成功实现了旨在增强不同水稻类型信息的遥感多特征表达可视化。首先以覆盖研究区域水稻全生长周期的时序哨兵2号影像为数据源,通过分析研究区内8种不同类型水稻的生长发育规律,采用三个时间节点上,能够反映不同类型水稻自身所处关键生长期的特征指数,构建了专用的水稻遥感多特征指数数据集,然后基于视觉的选择性注意机制,进行三波段图像RGB配色方案的优化,使得研究区内各水稻类型在图像上不仅表现出独特的色彩特征,而且与易混淆地物之间也产生了明显的颜色差异,从而为后文中计算机视觉识别技术的成功应用奠定基础。（2）基于颜色的高鲁棒性和易聚类性,提取同质的遥感识别基元。经过上述遥感多特征可视化表达处理后,不仅各水稻类型在对应的图像上有了明显的色差,而且也使得具有相同或相近颜色特征的不同类型水稻像元在空间上明显集聚。因此,采用计算机视觉聚类技术进行图像分割,生成了一系列同质的“基元”。（3）采用深层神经网络（DNN）、支持向量机（SVM）、决策树（DT）以及随机森林（RF）等四种代表性的机器学习算法,对不同水稻类型在基元和像素两种尺度上进行分类实验,结果显示,基元尺度上的分类识别效果普遍好于像素尺度,并且除了决策树以外,其余三种算法（DNN、支持向量机和随机森林）的总体分类精度（OA）和Kappa系数均高于90%。（4）基于误差混淆矩阵,采用复合分类精度系数CCA进行各类水稻识别结果的精度评价,并对不同水稻类型在基元和像素两种尺度上的分类效果进行比较分析。结果表明,早稻&再生晚稻、早稻&其他作物等类别的分类精度在基元尺度上有明显提升。（5）对比实验表明,本文提出在基于遥感对象多特征表达可视化和计算机视觉识别技术获取目标水稻遥感识别基元的基础上,再应用DNN等代表性的机器学习算法进行水稻类型识别的方法,能够在大多数水稻类型的复合分类精度上有明显提高,尤其是有效改善了一季中稻以及早稻&移栽晚稻等典型水稻种植结构遥感智能识别结果的不确定性。（6）不管是在基元还是像素尺度上,在应用随机森林、DNN和SVM三种算法所得到的分类结果中,复合分类精度系数CCA较高的前五种水稻种植模式都由一季早稻、一季中稻、虾田中稻、虾田晚稻,以及早稻&移栽晚稻构成,而决策树分类结果则不具有此稳定性。（7）在应用深层神经网络（DNN）、支持向量机（SVM）、决策树（DT）以及随机森林（RF）等机器学习算法而获得的四种识别结果中,以DNN算法获得的研究区水稻分类识别总精度最高,其OA和kappa系数都高于其他三种,而决策树算法的识别精度最低;同时,基于DNN算法获得的一季中稻与早稻&移栽晚稻的识别结果,在基元和像素两种尺度上都准确性最高,它们的CCA系数分别约为93%和95%,但是DNN识别效果最差的类型在基元和像素尺度上并不一致,其中,在像素尺度上,以一季早中稻与早稻&再生晚稻的识别效果最差,而在基元尺度上,只有一季早中稻的识别精度不高,早稻&再生晚稻的识别效果则明显得到改善。