在高原山区遥感影像识别中,地块破碎、土地利用类型复杂的情况给影像识别带来了很大的困难。针对这个问题,本研究以谷歌地球引擎（Google Earth Engine,GEE）为数据处理平台,云南省曲靖市为研究区域,基于Landsat系遥感数据,计算了一系列植被指数,根据这些植被指数时间序列变化特征,确定水稻提取的关键植被指数,然后用不同的分类方法对研究区水稻种植信息进行提取。本文选择了四种不同的分类器进行训练和分类,分别是分类回归树、支持向量机、最大熵模型和随机森林。并利用Google Earth Pro历史影像目视解译采集的样本点对实验结果进行验证,最终选出分类结果最好的分类方法,来识别曲靖市近30年水稻种植信息,并对水稻种植信息进行遥感监测和驱动力分析。本文主要研究内容和结论如下:（1）基于植被指数时间序列分析的水稻遥感特征提取。基于在GEE中在线选取的研究区样本点数据,计算了一系列植被指数,根据各植被指数的时间序列曲线进行时间序列分析,选取能显著区分研究区各地类的植被指数,使用时间序列谐波分析方法平滑时间序列曲线,根据平滑后的时间序列曲线,选用了增强植被指数EVI、陆表水指数LSWI、归一化建筑植被指数NDBI、改进的归一化差值水体指数MNDWI作为水稻种植信息提取的植被指数。（2）基于多分类方法优选的曲靖市水稻种植信息提取。在GEE中根据构建好的特征使用随机森林分类方法提取了研究区近30年的水稻种植信息,每隔5年提取一次,得到了研究区1990年、1995年、2000年、2005年、2010年、2015年、2019年水稻种植信息,总面积分别为517.47km~2、529.71km~2、446.18km~2、549.25km~2、549.90km~2、593.69km~2、614.03km~2,总体精度分别达到79.70%、81.10%、84.33%、89.05%、89.53%、91.25%、94.45%。（3）基于空间分析的水稻种植区域遥感监测和驱动因素分析。基于皮尔逊相关性分析、空间自相关检验、重心分析、空间分异分析等空间分析技术对研究区7年水稻种植信息时空变化进行分析和比较,初步揭示该区域近30年水稻种植信息的变化趋势以及影响因素,可为研究区水稻估产、生产状况监测和政府部门制定相关的水稻种植政策等提供一定的科学依据。