小麦是我国产量最高的主要农作物之一。小麦生长会受到由大风、雨等气象因素导致的倒伏的威胁,会产生较大的损失,不仅降低作物的产量和质量,还会对农业机械的自动化收割产生影响。利用无人机获取数据进行倒伏识别,不仅可以降低数据获取的时间成本,而且数据获取方式灵活、影像空间分辨率高。因此,基于UAV数据进行小麦倒伏识别在农业灾情评估及灾后管理方面具有十分重要的意义。本研究以奇台县小麦作为研究对象,以地面调查为基础,以无人机遥感为影像数据获取手段,通过不同的解译方法获取小麦的倒伏分布、倒伏程度及倒伏面积,针对各分类方法得到小麦倒伏识别的最佳分类方案。本文得出以下结论:1)通过实地调查的数据,可以得到:奇台县小麦倒伏主要发生在冬小麦,春小麦没有发生倒伏;且冬小麦倒伏发生主要分布在沙漠边缘、中部平原以及前山丘陵地带,山区未发生倒伏;通过对观测数据进行统计分析得到灌浆以后小麦的倒伏监测结果为:35cm以下为严重倒伏,35cm～50cm为中度倒伏,50cm～65cm为轻度倒伏,65cm以上为未倒伏。2)通过对DSM数据分析得到:无人机100m的飞行高度适合小麦倒伏识别;100m时,利用模型得到倒伏类型分类正确率高于84.38%,未倒伏类型分类正确率高于92.86%;不同倒伏程度小麦识别的总体分类精度在83.33%以上,Kappa系数高于0.75,四种小麦倒伏形态中,严重倒伏的识别精度最好,制图精度与用户精度最高为100%,制图精度最低为75%。利用无人机DSM数据进行小麦倒伏信息提取的最优方案为:采用构建的倒伏模型对无人机飞行高度为100m时获取的DSM数据进行解译。3)通过对DOM数据分析得到:在小麦倒伏与未倒伏类型识别以及不同程度倒伏类型识别中,最大似然监督分类方法均优于可见光植被指数VEGRDI的阈值分类方法,倒伏类型分类正确率最高为100%,未倒伏类型分类正确率最高为71.88%;严重倒伏类型的识别精度最高,用户精度最高为87.5%。利用无人机DOM数据进行小麦倒伏信息提取的最优方案为:采用最大似然的监督分类方法对无人机DOM数据进行小麦倒伏识别。4)在小麦灌浆至成熟时期,在县域地块尺度下,利用无人机进行小麦倒伏识别是可行的,并且基于DSM数据的识别精度高于基于DOM的识别精度。