水稻生长参数是水稻生长发育过程中的物理、生理、生化特征和性状的表征,可以反应水稻的生长状况和趋势,包括叶绿素含量、叶面积指数和地上生物量等。及时准确地获取水稻生长参数,可以实时监测水稻长势,并在水稻生长初期对产量进行预判。传统的水稻生长参数获取方法为地面人工测量,耗时耗力、采集效率较低,而且会破坏水稻的植株结构,对后续的产量研究不利。近年来,无人机技术的迅猛发展,为遥感技术提供了新的数据获取平台,使遥感数据的空间分辨率、光谱分辨率和时间分辨率显著提高。无人机遥感技术具有快速、实时和无损的特点,在区域范围内的水稻生长参数提取和产量估测中表现出极大的应用潜力。论文由作物生长信息的数字化获取与解析技术（“863”计划）和水稻杂种优势利用技术与强优势杂交种创制（国家重点研发计划）支撑,在2015年至2019年间,分别在海南和湖北开展了多次基于无人机多光谱影像的水稻生长参数提取和估产研究实验,主要的研究成果包括以下几点:（1）植被指数是影像的光谱特征之一,也是最常用的无人机影像特征。论文首先分析了植被指数和地面采集的水稻生长参数之间的关系,并基于植被指数,分别建立了不同施氮水平下的水稻生长参数提取模型和不同品种水稻的生长参数提取模型。实验结果显示,利用机器学习方法建立基于植被指数的水稻生长参数提取模型,可以准确提取不同长势条件下的水稻生长参数。（2）论文根据水稻的生长特点,将水稻田中水稻的生长看作条纹变宽的过程,并提出了一种基于影像傅里叶变换的水稻田空间纹理特征,即傅里叶谱纹理。傅里叶谱纹理可以反应条纹的宽度变化,和水稻生长之间具有密切的联系,进而与水稻生长参数之间表现出较强的相关性。实验结果表明,将植被指数和傅里叶谱纹理同时作为机器学习算法的输入参数,构建水稻生长参数提取模型,可以提高水稻叶面积指数、冠层叶绿素含量和地上生物量的提取精度。因此,通过光谱和纹理特征相结合的方式,可以提高基于无人机影像的水稻生长参数提取精度。（3）基于无人机多光谱影像,可以提取不同长势条件下的水稻生长参数。在此基础上,论文根据水稻生长参数提取结果,选取生长参数提取精度最高的影像特征,进一步构建了基于无人机多光谱影像的水稻估产模型,并分别分析了水稻稻穗、水稻品种和生育期对水稻估产的影响。实验结果表明,植被指数的估产精度要高于傅里叶谱纹理。但是,在建立相同品种水稻的抽穗期估产模型时,受水稻稻穗的影响,植被指数在抽穗期的估产精度降低。为了消除稻穗对水稻估产的影响,论文利用混合像元分析的方法,提取了水稻叶片和稻穗的丰度信息,并通过植被指数和丰度相结合的方式,提高了水稻抽穗期的估产精度。在建立不同品种水稻的估产模型时,受水稻品种特性的影响,基于单时期的植被指数不能估测不同品种水稻的产量。因此,论文利用时间序列的无人机影像,建立了基于多时期植被指数的不同品种水稻估产模型,取得了较高的估产精度。同时,论文还分析了水稻生育期对估产模型的影响。结果表明,当水稻生育期发生变化时,基于多时期植被指数的估产模型精度降低。因此,当水稻生育期发生变化时,需要调整估产模型中对应的生育时期,以提高水稻的估产精度。