为探讨无人机遥感分类技术对种植结构复杂区作物分布信息提取的潜力及适用性,本研究从无人机遥感影像作物分布信息提取方法入手,对比分析了不同分类方法提取作物分布信息的分类精度。首先,通过地面调查在内蒙古五原县域内选择了五处研究区并通过地面调查确定了其作物种类。其中,研究区1和研究区2均具有四种作物,研究区3具有三种作物,研究区4具有五种作物,研究区5具有八种作物。进而,基于无人机遥感可见光遥感平台和无人机多光谱遥感平台获得了研究区1和研究区2的可见光影像和研究区3、研究区4和研究区5的多光谱影像,并对影像进行预处理。最后,基于不同的遥感分类方法实现了5个研究区域作物分布信息的提取。本文主要取得以下成果:（1）分析了无人机遥感技术在种植结构复杂的小农耕作区作物精细分类中的适用性。首先,基于研究区1和研究区2的可见光影像,使用基于像素的特征参数分层分类模型（PB-HCM）和面向对象的特征参数分层分类模型（OB-HCM）对研究区1和研究区2的作物进行分类,两种分类方法的分类准确率均在88%以上;其次,基于研究区3、研究区4和研究区5的多光谱影像,使用面向对象的支持向量机分类模型（OB-SVM）和面向对象的随机森林分类模型（OB-RF）对研究区3、研究区4和研究区5的作物进行分类,总体分类精度不低于97.21%。表明无论是无人机可见光遥感技术还是无人机多光谱遥感技术均对高度复杂种植结构下的作物精细分类具有广泛的应用潜力。（2）对比了基于像素和面向对象的图像分析方法的分类精度。基于研究区1和研究区2的可见光影像,使用基于像素的特征参数分层分类模型（PB-HCM）和面向对象的特征参数分层分类模型（OB-HCM）对农田地物进行分类。结果显示,无论是研究区1还是研究区2,OB-HCM的分类效果优于PB-HCM。裸地,向日葵,树苗,玉米和小麦的最佳提取方法均为面向对象的图像分析方法。（3）构建了一种基于可见光影像的,用以提取树苗分布信息的植被指数—TVI。运用箱形图统计分析了树苗与裸地,向日葵,玉米和小麦等其它地物的光谱差异,以此为切入点构建了一种基于可见光影像的树苗植被指数——TVI,并将其做为树苗提取的特征参数。TVI结合基于像素的特征参数分层分类模型（PB-HCM）和面向对象的特征参数分层分类模型（OB-HCM）对研究区1和研究区2的树苗进行提取,平均提取准确率达到92.89%,表现出了良好的应用潜力。（4）对比了面向对象的随机森林分类模型（OB-RF）和面向对象的支持向量机分类模型（OB-SVM）的分类精度。基于OB-RF和OB-SVM对基于具有不同种植结构复杂的研究区3、研究区4和研究区5进行分类,在具有三种作物的研究区3,OB-RF模型和OB-SVM模型的分类精度分别为97.09%和99.13%,在具有五种地物的研究区4,精度分别为92.61%和99.08%,在具有八种作物的研究区5,精度分别为88.99%和97.21%。随着种植结构复杂度由低变高,两种模型的精度均有所降低,其中OB-RF模型精度下降了8.1%,OB-SVM模型仅下降1.92%。OB-SVM模型在地块细碎、种植结构复杂度高的情况下,总体分类精度仍可达97.21%。因此,与OB-RF相比,OB-SVM在地块细碎、种植结构复杂度高的情况下,分类精度更高,更适用于农业种植模式复杂的农田地物精细分类。