植被解译分类是基于遥感手段的大面积林业调查或生态监测的基础性工作。植被遥感图像主要来源于卫星遥感影像和航空摄影图像，存在获取图像时周期长、实时性差、受云层影响大，甚至高成本等固有问题。一方面，目前遥感解译最可靠的方法仍然依靠目视解译，要求目视判读者具有丰富的相关地学背景知识和长期积累的判读经验。存在解译工作强度大，数据获取周期长，解译准确率受目视判读者的经验和对解译区域的熟悉程度等各种因素制约，具有很大的主观性。另一方面，在对地观测技术快速发展变化的同时，从海量遥感数据中经济快速获取地物解译信息，是摆在专业领域应用人员面前的难题。近年来，随着我国低空域的逐渐开放和无人机技术的进步，基于无人机平台的遥感系统为解决上述问题提供了契机。因此，探索适合无人机特点的植被图像解译方法正是对传统遥感手段的必要补充。本文选用无人机遥感系统作为获取植被图像数据的技术平台。在对现有商业化无人机图像处理软件的功能特点及其局限进行分析和总结后，针对基于无人机图像的植被分类识别问题，运用工程化思想，从基本原理、基本方法和实现技术手段等方面进行了系统研究，设计架构了无人机图像识别的技术流程框架，完善了无人机遥感图像的计算机解译方法体系；对无人机图像植被类型识别方法中的多个关键技术问题提出了可行的技术与方案，并进行了仿真验证。本文的主要研究成果与创新在于：1．研究总结了无人机图像“获取-处理-解译”的整套技术流程。经过对现有商业化无人机图像处理软件的流程进行分析研究，发现大部分图像处理还主要集中在图像校正、图像拼接、生成3D模拟图等应用，未关注图像的识别分类应用，限制了无人机图像资源的利用率提升。本文针对无人机图像识别分类的理论体系作了补充和扩展，围绕山地植被遥感识别的方法与技术完成了有效的探索和实验。2．研究归纳了目前无人机图像拼接的主要算法，对SIFT算法作了改进，实现了无人机图像的快速拼接。围绕实现海量无人机序列图像快速合成问题，针对现有无人机图像拼接算法存在的运行时间长、资源占用大、拼接速度慢等问题，提出应用改进的SIFT算法实现无人机图像的快速拼接。通过基于彩色图像的匹配算法，利用图像的色彩信息，以及增加极值判定像素，减少匹配特征点的数量。3．基于计算机视觉和人类认知心理学原理，提出了适合无人机图像识别的HSV-T特征模型，并选用最近邻法实现了图像特征匹配。模拟传统人工目视解译机理，从颜色、纹理、形状、位置关系等图像特征中，选取颜色和纹理两个突出的视觉特征作为观测点，设计了HSV（颜色）-T（Tamura纹理）特征模型，解决了现有图像分类中采用单一特征识别分类而导致识别率不高的问题，有效提高了图像识别的精度，通过实验验证了HSV-T模型的有效性。4．研究完善了一套适合无人机图像植被类型识别的方法流程，初步实现了无人机图像的植被粗分类。根据计算机图像识别流程，结合无人机图像的特点，提出了一套无人机图像植被自动识别分类的流程框架，并通过实验验证了该方法流程的有效性和可靠性。5．实践并总结了无人机图像植被识别仿真实验的内容、步骤与方法。按照预定流程，对无人机图像进行校正、拼接、特征提取、特征训练等预处理，并采用最近邻模式识别方法进行特征匹配，在MATLAB环境下实现了无人机图像植被类型自动识别仿真实验，取得了较好效果。