近年来,病虫害流行程度逐年加重,使得及早预测以及实时监测病虫害的任务更加艰巨。利用遥感进行病虫害预测及监测已成为大范围快速获取作物病虫害信息的重要方式。本研究主要以小麦条锈病及白粉病为研究对象,以小麦病害区域预测和监测为研究主线,分别在区域尺度上利用卫星光学和热红外数据等数据开展小麦病害预测监测模型和利用冠层高光谱数据建立小麦条锈病监测模型研究,具体研究内容和结果如下：(1)为了提高遥感监测小麦条锈病病害严重度的准确程度,寻找小麦病害的较优反演模型,论文在国家精准农业示范研究基地基于野外定位调查小麦病情指数及冠层光谱数据,利用与小麦病害发生呈显著关系且有效反映植被生理生长状况的7种高光谱植被指数,尝试分别采用PLS(偏最小二乘回归)、BP神经网络和植被指数经验法三种方法建立小麦条锈病病情反演模型,并进行比较分析。结果表明：病害严重度预测模型精度偏最小二乘法优于植被指数和神经网络方法,三种方法病害严重度预测值与实测值间的R2分别为0.936、0.918、0.767。研究表明采用偏最小二乘回归方法监测小麦病情指数效果更好,此方法可在以后遥感监测小麦病害研究中得到广泛应用。(2)小麦条锈病预测研究方面,本文在以往预测模型只选用气象因子的基础上,基于环境星的光学数据HJ-CCD和热红外数据HJ-IRS,引入表征小麦生长状况、条锈病发生发展遥感反演的生境因子数据,构建偏最小二乘冬小麦条锈病遥感气象综合预测模型。条锈病预测模型输入变量的气象数据选用气温,降水和日照,遥感反演数据选用归一化植被指数(NDVI),病害水分胁迫指数(DSWI)和地表温度(LST)。验证实验结果表明,相比于传统的气象数据模型,遥感气象数据综合预测模型具有较高的精度(R2从0.6806提升到0.7916),说明此模型在预测小麦条锈病中具有较大潜力,能够实现大范围的小麦条锈病预测。(3)在区域尺度小麦白粉病预测研究方面,以石家庄为研究区,基于地面调查数据和白粉病发生发展的生理特征,通过获取多时相Landsat TM数据,提取与白粉病发生发展可能相关的遥感生境因子,包括地表温度(LST)用来表征温度信息,归一化水分指数(NDWI, DSWI)用来表征小麦冠层水分信息以及表征小麦长势信息的归一化植被指数(NDVI),试图建立基于二维特征空间的白粉病发生发展的预测模型。研究结果表明,LST-NDVI的二维特征空间白粉病危害程度具有更强的判别能力。根据不同白粉病程度的样点在LST-NDVI特征空间中的分布规律,构建了白粉病危害程度区域预测模型,经验证,预测模型的总体判别精度为78%,Kappa精度为60.3%。并分析了小麦发病之后健康小麦与病害小麦的归一化植被指数NDVI比值、植被指数EVI、差值植被指数DVI和转换型植被指数TVI的差异性,选择差异性较大的植被指数区分病害与非病害小麦。