松材线虫（Bursaphelenchus xylophilus）为外来有害生物,凭借极其强大的适应能力,在我国由南至北快速扩散,造成国家生态经济的极大损失。高光谱遥感具有连续光谱特征,对松材线虫病感病阶段的识别具有重要意义。本文以山东省威海市环翠区大东疃村为研究区,以赤松松材线虫病为研究对象,研究松材线虫病不同感病阶段高光谱遥感监测方法。利用地面非成像高光谱数据、无人机成像高光谱数据和地面实测生理参数数据,基于敏感波段、光谱指数和生理参数,应用SPA-Fisher判别分析、逐步判别分析方法,在叶片尺度和冠层尺度上构建赤松感病阶段监测模型。论文的主要研究内容及成果如下:（1）叶片尺度上分别基于地面高光谱全波段（400nm-2400nm）与400nm-1000nm波段构建了两类模型,一类为基于高光谱数据特征变量的感病阶段监测模型,另一类为基于生理参数反演的感病阶段监测模型。分析不同谱段高光谱数据对赤松生理参数及不同感病阶段的敏感性,明确不同感病阶段监测适宜的光谱范围和特征。基于地面高光谱全波段数据,采用连续投影算法（Successive Projection Algorithm,SPA）筛选波段、光谱指数、特征变量二次筛选构建感病阶段监测模型,模型精度分别为90%、87.5%和83.75%;基于SPA敏感波段和光谱指数构建的含水率反演模型,可用于对赤松松材线虫病的中期及死亡阶段进行监测。研究证明基于全波段数据,采用连续投影算法筛选波段建立的模型精度最高,可用于不同感病阶段监测。基于地面高光谱400nm-1000nm波段数据,采用连续投影算法筛选波段、光谱指数、特征变量二次筛选构建感病阶段监测模型,精度分别为87.5%、87.5%和81.25%;基于光谱指数建立的含水率反演模型可用于感病中后期的监测;基于光谱指数建立的叶绿素a含量反演模型可用于松材线虫病的中后期监测,识别精度可达100%。（2）冠层尺度上应用无人机成像高光谱数据,分别基于连续投影算法筛选波段、光谱指数和特征变量二次筛选构建不同感病阶段监测模型。基于叶片尺度SPA筛选的敏感波段对应的无人机高光谱的相应波段构建感病阶段监测模型,结果显示仅可用于赤松松材线虫病的枯死木识别,精度可达80%以上;基于无人机高光谱SPA筛选敏感波段构建监测模型的精度为85.71%,可用于不同感病阶段的监测。基于叶片尺度提取的光谱指数对应的无人机高光谱相应波段构建感病阶段监测模型,该模型精度非常低,无法用于实际检测;基于无人机高光谱数据提取的光谱指数构建感病阶段监测模型,模型精度为88.57%,该模型可用于对健康/未表现、感病晚期及死亡阶段三个阶段的监测。基于叶片尺度提取的特征变量对应的无人机高光谱相应波段的二次筛选构建监测模型,模型仅可用于赤松松材线虫病的枯死木识别,精度可达80%以上;基于无人机高光谱数据提取的特征变量二次筛选构建监测模型,该模型精度可达85%以上,可用于冠层尺度赤松松材线虫病不同感病阶段的监测。总体上,使用同种建模方法时基于地面高光谱全波段的建模效果优于400nm-1000nm的建模效果,基于无人机高光谱直接筛选特征变量的建模效果优于叶片尺度直接上推的模型,以上为赤松松材线虫病叶片尺度和冠层尺度的监测奠定了基础。