及时、准确地评估冬小麦生长状态和预测产量,对农业政策制定、市场决策和保障粮食安全具有重要意义。遥感技术可以快速、客观和无损的监测地表作物生长,然而遥感信息反映的只是地表物理状况,不能真正揭示作物生长发育和产量形成的内在过程机理、个体生长发育状况及其与环境条件的关系。作物模型根据作物生长规律以及环境效应,模拟作物叶、根、茎等器官的生长,对作物发育过程进行系统化的定量表达。数据同化将遥感信息嵌入作物模拟模型或者校正有关参数,有效结合遥感技术和作物生长模型,可以解决作物模拟模型参数区域化过程中的技术问题,从而提高作物监测与预测的精度,对于区域范围内作物长势监测和产量评估意义重大。本文以冬小麦为研究对象,获取了2013-2014、2014-2015和2018-2019年冬小麦田间试验数据、光谱数据和遥感影像。采用植被指数法构建冬小麦LAI估算模型,利用SP-UCI优化算法构建遥感数据与SAFY模型的同化系统,以遥感反演LAI为同化变量,优化模型3个敏感参数（D0、STT、ELUE）,模拟2013-2014和2014-2015年冬小麦的动态生长,并利用2个年份实测数据对模型模拟结果进行评价。利用不同遥感数据与SAFY模型同化,分析同化误差随同化选择的变化。最后,通过建立LAI-DAM-产量查找表,提高高分辨率遥感影像和SAFY同化效率,实现2018-2019年大田试验区冬小麦9个时期生物量和收获期产量制图。本文主要研究内容和结论如下:（1）本文选取6个经典的LAI反演植被指数,利用Sentinel-2和Rapid Eye传感器的波谱响应函数,分别构建了Sentinel-2和Rapid Eye数据的冬小麦LAI反演模型。结果表明,优化土壤调节植被指数（OSAVI）构建的回归模型对冬小麦叶面积指数有更好的估算精度。（2）研究采用试错法对SAFY校正模型非敏感参数。通过调整非敏感参数比较模型模拟生物量的误差变化,最终确定两个非敏感参数Pla和Plb分别为0.16和0.0025。根据模型非敏感参数校正结果,构建遥感数据与SAFY模型同化系统。（3）以遥感反演LAI为同化变量,通过优化模型3个敏感参数（D0、STT、ELUE）,对冬小麦全生育期生长过程进行动态模拟。2013-2014年和2014-2015年的模拟LAI的R~2分别0.734和0.7,模拟LAI与实测LAI具有较好的一致性。两个年份冬小麦生物量估算的R~2、RMSE和NRMSE分别为0.831、1.13 t/ha、21.7%和0.853、1.217 t/ha、23.7%,模拟地上生物量与实测地上生物量之间偏差较小。通过引入单一的收获指数HI值0.5,实现了冬小麦产量估算,2013-2014年和2014-2015年冬小麦产量估算的R~2、RMSE和NRMSE分别为0.487、1.135 t/ha、21.9%和0.607、1.389 t/ha、23.3%,2013-2014年冬小麦产量模拟略有高估,而2014-2015年模拟产量存在低估现象。通过遥感数据与SAFY模型同化,能够良好的模拟冬小麦全生育期生长发育过程,估算精度较高。（4）利用不同遥感数据与SAFY模型同化,研究同化误差随同化选择的变化。结果表明,当遥感数据采集时间在冬小麦关键生长时期分布均匀并且包含LAI峰值时期时,可以获得更好的同化精度;当遥感数据观测足够多时,不同同化选择之间误差相差较小;平均同化误差和平均同化误差变化范围随同化时期的增加而减小,高时间分辨率的遥感数据同化精度更高。（5）通过建立LAI-DAM-产量查找表,实现了试验区大田冬小麦9个时期生物量和收获期产量制图,2018-2019年大田27个试验点冬小麦实测地上生物量验证估算精度,R~2、RMSE和NRMSE分别为0.825、1.345 t/ha、26.1%,冬小麦生长后期地上生物量估算值略有低估。结果表明,查找表法可以在保证同化精度的前提下,提高同化效率,达到大尺度监测冬小麦生长发育的目的。