水稻是中国种植面积最大、总产最多的粮食作物,水稻生产在中国粮食生产中占有极其重要的地位。准确的获取水稻生产信息,正确及时地掌握农作物生产状况,对粮食安全,社会稳定,农村就业,农民增收具有十分重要的现实意义。水稻遥感信息提取是遥感、地理信息系统和全球定位系统结合水稻农学知识的一个综合应用。本研究基于中等空间分辨率多源多时相遥感卫星数据,以详尽的地面观测数据为基础,利用遥感数据融合及数据同化等方法,解决我国地块较破碎地区水稻遥感信息提取过程中的具体问题,并对影响水稻信息提取精度的原因进行一定的定性分析和定量的研究,旨在提高对水稻遥感中各种数据处理步骤的认识理解。主要研究内容和结论如下:（1）结合大田冠层光谱数据及地面实测数据,探究水稻生长规律,通过Wilks’s lambda系数进行判别分析确定植被指数EVI2能够较好的反应出水稻与其他地类的差异性。分析研究区五种主要地类（水稻、树木、水体、旱地作物和其他非植被）的HJ-1 A/B CCD EVI2时间序列曲线,水稻移栽期和快速生长的营养生长时期具有区别于其他地物类别的独特的光谱特征,确定这两个时期为水稻的关键生育期,实现了分步耦合最佳生育期阈值法估算研究区单季稻种植面积。单季稻估算面积与当地农业部门的统计数据对比,相对分类精度为91.2%。与地块调查结果的空间精度验证显示,水稻的总精度达到91.68%,Kappa系数为0.79。提取结果与典型的参数分类法（最大似然法）和非参数分类法（支持向量机）相比,总精度分别提高了 6.80%和10.89%。基于五个地块调查样地的空间分布信息,定量分析了由地块景观格局、混合像元纯度及边界效应给水稻分类带来的影响。结果表明,选择合适的多时相遥感影像,结合水稻关键生育期及有代表性的光谱特征,可以提高水稻分类精度;引入景观指数分析地块紧凑程度,结果表明遥感影像像元混合程度越严重,则分类精度越低,错分漏分的水稻像元集中在水 稻田块的边缘。（2）通过最小二乘法融合HJ-1 CCD和Landsat-8 OLI植被指数数据,较单一数据源能够更准确地估计研究区单季稻的关键物候参数（移栽期、抽穗期、成熟期）。不同植被指数对目标地物的变化反应能力不同,和NDVI相比,EVI2在两个传感器之间表现更稳定。与地面观测生育期数据进行比较,融合后的植被指数时间序列提取的水稻生育期结果具有相对低的RMSE,其中EVI2优于NDVI。在不同传感器融合获取更高时间分辨率植被指数时间序列的过程中,利用一致性分析定量计算传感器间系统差异与非系统差异,结果表明,通过选择合适的滤波窗口可以减小传感器间非系统差异,使用大于5×5滤波窗口以后,传感器间非系统差异趋于稳定,选择合适的模型如最小二乘法建立植被指数的回归函数减小传感器间系统差异,从而减少数据融合过程中的不确定性的产生。（3）利用多时相遥感影像,以2012-2013年地面实验数据为建模和验证数据,制作出可应用于地区尺度的单季稻全生育期内近实时动态长势监测图。通过去云处理及最大值合成的植被指数代表每个像元在一旬内的最大值,以此估测研究区每旬单季稻长势状况,估测模型选用传统的回归模型及机器学习模型。验证了机器学习模型（神经网络和支持向量机）在作物长势监测参数提取中具有优势。将生育期划分为营养生长和生殖生长后,可以明显提高叶面积指数的反演精度,抽穗前时期LAI最佳估测模型为EVI2-BPNN模型,抽穗后LAI最佳估测模型为NDVI-SVM模型,结果同时表明,EVI2通常在水稻快速生长阶段（营养生长）效果更好,而NDVI在生长速率减缓后（生殖生长）的反演效果更佳。累积植被指数可以适用于水稻地上干生物量的估算,全生育期内模型决定系数达到0.93。通过选择合适的植被指数及反演模型,结合水稻独特的生育期特征,可以提高水稻长势参数的估测精度,为当地的种植管理提供有价值的空间化可视化信息服务。（4）结合地面观测数据与FSEOPT对研究区水稻主栽品种进行WOFOST作物模型参数本地化,参数本地化结果表明在单点尺度上作物模型可以较好地表征水稻生长变化趋势,估测水稻产量。通过集合卡尔曼滤波法同化时间序列LAI与WOFOST作物模型,同化状态参量间隔越短同化效果越好,最终在平衡同化效率与精度的考量下,选用10天LAI资料进行区域水稻估产。以研究区水稻面积分布图、水稻生育期提取结果为输入参数,10天的遥感反演LAI为同化状态参量,估测研究区水稻产量分布信息。模型模拟结果与实测结果有较好的一致性,与实测样点的观测值相比,R2为0.66,RMSE为1.61 ton·ha^-1。研究结果表明,提高水稻信息提取过程中各步骤精度的前提下,WOFOST模型可以用于区域尺度水稻产量估测,为完善栽培管理、规划农业生产功能区提供有价值的信息。