化学防控是草原毒害草防治的主要手段之一,化学防控后精准掌握毒害草药效反应变化对评估防控效果具有重要的现实意义。本研究从生产运用角度出发,以危害较严重的白喉乌头（Aconitum leucostomum）为研究对象,在2020年5月（化学防控前）、2020年6月（化学防控后15 d）、2020年7月（化学防控后30 d）以及2021年5月（化学防控后1 y）,以未受药害的白喉乌头、其他牧草、裸地和受药害的白喉乌头为识别对象,使用地面高光谱仪和可见光无人机,分析光谱特征变化,利用逐步回归筛选敏感识别波段,根据敏感波段利用Fisher判别函数验证识别精度,运用支持向量机（Support Vector Machine,SVM）和卷积神经网络（Convolutional Neural Network,CNN）方法,建立白喉乌头识别模型,为实现大面积无人机毒害草化学防效监测提供理论与技术依据。（1）化学防控会增加不同月份间白喉乌头群落光谱特性的差异,但对第2年返青期的影响并不明显。随着时间推移受药害白喉乌头光谱特征接近裸地,可作为区分白喉乌头是否受药害的依据。未受药害的白喉乌头、其他牧草、裸地以及受药害影响的白喉乌头在可见光波段内的光谱反射率均存在不同的变化特征,能够验证这4类地物在可见光波段存在一定的可分性。（2）利用地面高光谱数据,逐步判别筛选出的敏感识别波段主要分布在399～404 nm蓝光波段、512～578 nm绿光波段、684～718 nm红光波段、775～778 nm红边位置以及979～1075 nm近红外波段内。根据敏感波段利用Fisher判别函数验证识别精度,2020年5月未经过化学防控的白喉乌头精度最高,为94.00%,其次是2021年5月,为89.60%;经过防控处理后精度下降,但随着药效的持续,精度由6月的73.33%提升至7月的78.00%。（3）利用无人机遥感数据,基于卷积神经网络的Res Net-18模型的对4类地物的识别效果优于支持向量机,因此选择该模型进行识别及性状反演。就总体精度而言,2021年5月的精度最高,为97.05%;2020年6月次之,为96.64%;2020年7月为84.71%;2020年5月最低,为66.56%。就密度反演精度而言,2020年5月白喉乌头的精度最高,为80.72%;其次是2020年6月,为71.30%;然后是2020年7月,为67.44%;最低是2021年5月,为43.83%。就覆盖度反演精度而言,2020年5月白喉乌头的精度最高,为80.72%;其次是2020年7月,为63.33%;然后是2020年6月,为62.80%;最低是2021年5月,为61.69%。考虑防控监测的时效性,可在2020年6月（防控后15 d）进行监测;考虑防控效果的稳定性,可在2021年5月（防控后1 y）进行监测。