农田信息作为实现“精准农业”的重要基础数据,其重要的位置信息来源于田块边界。田块边界的准确提取对实现区域“精准农业”具有十分重要的作用,也能提高耕地面积测算的准确性。四川省地貌类型复杂,不同地貌区田块(地块)分布状况差异大,特别是田坎系数大,其中田坎(地埂)的宽度在0.3-0.8m之间,对耕地田块(地块)边界提取和耕地面积测算的影响较大。因此,本文选择四川成都平原区的都江堰市天马镇金陵村、盆地丘陵区的富顺县骑龙镇龙须村、盆周山区的占蔺县古蔺镇广-惠村为研究区域,在ENVI 4.8软件平台上,分别采用面向对象技术、全色HP(高通滤波器)检测、全色Sobel检测和全色Roberts检测4种方法探讨不同地貌区田块边界信息的提取,并根据分类精度和Kappa系数确定适合于各研究区的最优提取方法,从而为类似区域的田块边界信息提取提供技术支撑。全文主要研究结果如下：(1)通过对Pleiades-1遥感影像进行波段组合表明3个研究区的最佳组合波段为431组合,其中成都平原区、盆地丘陵区和盆周山区的最佳波段指数分别为646.8、179.93和100.14,该组合波段能最大程度地保留各研究区遥感影像的光谱信息且降低了各波段间的棚.互丁扰。分别利用HSV变换、Brovey变换、Gram-Schmidt (GS)变换、主成分(PCA)变换、Color normalized (CN)变换和PAN Sharpening变换6种融合方法对各研究区的多光谱影像和全色影像进行图像融合,以图像灰度值的均值、标准差、熵值、平均梯度、相关系数5个指标对融合后影像进行客观评价,结果表明各研究区的最佳融合方法均为Gram-Schmidt (GS)变换,该融合方法能最优地保留各研究区遥感影像的光谱信息,同时又增强了各影像的空间信息。(2)4种田块边界提取方法在成都平原区都江堰天马镇金陵村的分类精度较传统SVM分类方法高出1.72%-2.79%,Kappa系数高出0.034-0.052,且表现出提取的边界吻合度高、连续性好等优点。其中全色Sobel检测与面向对象组合方法分类精度(95.12%)和Kappa系数(0.938)最高,其次是面向对象分类技术,而Roberts检测与面向对象组合方法存在较多的“错分”和“漏分”现象,HP检测与面向对象组合方法的“错分”和“漏分”现象则更为严重。因而,全色Sobel检测与面向对象组合方法是该研究区田块边界提取的最优方法。(3)4种田块边界提取方法在盆地丘陵区富顺县骑龙镇龙须村的分类精度和Kappa系数较传统SVM分类方法分别高出2.67%-5.53%和0.03-0.065,同样表现出提取的边界吻合度较高、连续性较好等特点。其中也是全色Sobel检测与面向对象组合方法的分类精度(94.65%)和Kappa系数(0.923)最高,其次是面向对象分类技术,而Roberts检测与面向对象组合方法田块内部空洞较多,造成边界较为严重的断裂现象,HP检测与面向对象组合方法的“错分”和“漏分”现象则更为严重。因而,全色Sobel检测与面向对象组合方法也是盆地丘陵区田块边界提取的最优方法。(4)4种提取方法在盆周山区古蔺县古蔺镇广惠村的提取效果均较差,表现出提取的田块边界吻合度低、连续性差等特点,其原因主要是影像时相、区域内地物和环境的影响。与传统的SVM方法相比,只有面向对象分类技术的分类精度和Kappa系数分别高出5.04%和0.051,其余三种组合方法均较低。虽然面向对象技术的分类精度(80.19%)和Kappa系数(0.703)最高,但也存在一定的“错分”和“漏分”现象,提取的边界与实际边界相似度较低；而其余三种方法的“错分”和“漏分”现象更为严重。因而,4种提取方法均不适合于盆周山区田块边界的提取。