宁夏惠农区庙台乡省悟村,作物耕种面积约为3000余亩,通过人工现场统计耕种作物分布信息工作量大,费时费力且精度不高。基于此使用无人机遥感技术对研究区主要作物类型进行分类统计,为提高作物分类的精度和计算机处理效率,使用最佳指数法,降低无人机遥感影像数据维数,并构造分类规则集,建立不同分类模型对灌区主要作物类型进行分类研究。主要研究成果如下:(1)针对无人机多光谱影像的空间分辨率高、信息冗余大、波段间相关性强的问题,结合无人机遥感影像的光谱信息、纹理信息和高程信息,使用最佳指数法和最大最小值归一化处理法,统计分析各影像信息,筛选出均值最大的Red、Nir、Green光谱特征、NDVI指数特征、红波段均值纹理特征、近红外波段信息熵纹理特征、绿波段相关性纹理特征和高程特征作为无人机遥感影像分类的最佳波段组合来进行研究区作物分类。(2)采用基于像元的监督方法,结合影像中的作物光谱信息、纹理信息、高程信息,构造分类规则集,建立最大似然分类模型(MLC)、支持向量机(SVM)分类模型、BP神经网络分类模型对研究区主要作物进行分类识别。结果表明:在最佳波段组合下,使用不同特征组合建立的分类模型的分类结果整体精度均高于75%,Kappa系数均高于0.61,其对研究区各作物均具有较好的分类效果,其中在光谱+纹理+高程特征组合下,分类结果的整体精度和Kappa系数最高。综合考虑,光谱+纹理+高程特征组合下各分类方法的整体分类精度和Kappa系数,确定基于光谱+纹理+高程特征组合下的支持向量机分类方法可作为研究区主要作物分类的最佳分类方法。(3)针对基于像元分类产生的椒盐问题,采用基于对象的多尺度分割方法,在eCognition工作空间下通过不断改变分割参数,以目视判别为标准,确定了无人机多光谱数据在分割尺度为15、形状权重为0.05、紧致度权重为0.5下为最佳分割参数,将各地物分割,消除椒盐现象,使用混淆矩阵对分类结果精度进行评价,结果表明:基于光谱+纹理+高程特征组合下的多尺度分类方法的总体精度为92%、Kappa系数为0.8891,高性能计算机处理耗时0.79h,分类精度远高于基于像元的分类方法的分类精度。(4)统计各分类结果下的各作物分类面积并与目视解译下的各作物面积进行对比,基于光谱+纹理+高程特征组合下的MLC、SVM、多尺度分割的分类结果中各作物面积相对误差均低于20%表明无人机多光谱影像数据和数字地表模型(DSM)数据可以用于提取灌区作物类型。