秸秆覆盖度（Crop Residue Coverage,CRC）作为保护性耕作技术的关键指标,如何利用遥感技术准确估算CRC一直是农业管理者关心的主要问题。因此,本文研究的玉米CRC估算模型对政府农业管理部门具有重要的参考价值。本研究区域位于东北平原腹地松嫩平原的南部,首先利用样线法和照相法对收割之后的玉米CRC进行实测,然后利用Sentinel-2数据构建玉米CRC估算模型的输入变量,最后建立研究区域玉米CRC估算模型。首先,针对Sentinel-2数据构建的部分光谱指数存在多重共线性以及特征变量较少等问题,提出利用灰度共生矩阵（Grey Level Co-occurrence Matrix,GLCM）算法构建纹理特征,作为玉米CRC估算模型的输入变量。研究结果表明,不同的滑动窗口大小、移动方向和步长对纹理特征有不同的影响,绝大多数纹理特征和玉米CRC相关性较差,只有Band4Mean-5*5、Band5Mean-5*5、Band6Mean-5*5、Band3Mean-3*3、Band8AMean-3*3、Band4Mean-3*3、Band7Mean-5*5、Band8Mean-5*5和Band8AMean-5*5与玉米CRC具有较强的相关性,并且这些纹理特征的最佳滑动窗口大多数为5*5,移动方向均为45°,步长为1。其次,针对一元线性回归模型估算精度较低,鲁棒性弱等问题,本文选择偏最小二乘回归（Partial Least Squares Regression,PLSR）法构建玉米CRC估算模型。结果表明,利用光谱指数建立的样线法和照相法估算模型预测的R~2分别为0.803和0.781,当加入纹理特征时模型预测的R~2分别为0.822和0.814,可以发现纹理特征的加入能够提高玉米CRC估算模型的估算精度。最后,为了进一步探究机器学习算法在玉米CRC中是否可行的问题。本文选择随机森林（Random Forest,RF）算法和BP神经网络（Back Propagation Neural Network,BPNN）算法,建立玉米CRC遥感估算模型。结果表明:利用RF算法建立的样线法和照相法模型预测的R~2分别为0.828和0.816,而利用BPNN算法建立的样线法和照相法模型预测的R~2分别为0.884和0.887,预测效果最好。本研究提供的三种玉米CRC估算方法都可以准确获取CRC信息,为宏观了解区域尺度的秸秆分布特点,提供了一种新的思路,为本文的研究区域以及东北平原的作物秸秆研究提供参考,为秸秆还田、政府决策、秸秆综合利用等地表监测提供科学依据和数据支撑。通过对比分析,三种估算方法精度从高到底依次为BPNN、RF、PLSR,但BPNN和RF算法在实际应用中数据运算量较大,效率相对较低,而PLSR算法效率更高,精度稍微偏低。