叶面积指数（Leaf Area Index,LAI）是描述作物叶片生长状况和进行产量预测的重要参数,准确高效的大范围获取LAI对于作物的种植和生产十分重要。遥感技术是大范围获取作物LAI的重要手段,传统的光学遥感技术往往受限于喀斯特地区崎岖破碎的地形和多云多雨的天气条件,难以获取高质量的影像数据。SAR技术因具有穿透力较强,不受云雾干扰,可以全天候多时段成像等优势,更适合于喀斯特地区作物LAI的估算研究。在已有的研究中,前人多利用SAR数据的后向散射系数、极化分解参数等极化特征来实现作物LAI的估算,但其易于受到作物形态的影响,出现信号饱和的现象。SAR图像纹理是描述作物冠层结构信息的重要参数,可以与极化特征实现互补,目前却鲜有学者将其应用于作物LAI的估算研究中。烟草作为一种重要的叶用经济作物,定量监测其叶片的生长状况对于烟草的精细化种植和管理具有重要意义。基于此,研究选取贵州省贞丰县内的烟草种植区域（部分区域）为研究区,以烟草为研究对象,利用极化特征的同时,引入SAR数据的多角度纹理特征,探究其在烟草LAI估算过程中的潜力;针对多维特征与实测LAI之间复杂的非线性关系,采用多种机器学习方法（随机森林（RF）、支持向量机（SVM）、多层感知机（MLP））,分别构建了基于极化特征、纹理特征以及组合特征（极化特征+纹理特征）的烟草LAI估算模型;之后利用决定系数（R~2）、均方根误差（RMSE）以及平均误差（MAE）对估算模型进行比较,分析各特征参数和模型方法对于烟草LAI估算结果的影响,并基于最优模型实现研究区内烟草LAI的大范围获取。主要研究内容和结果如下:（1）分别应用SAR数据的极化特征(σV~0 H、σV~0 V、σV~0 V-σV~0 H、σV~0 V/σ~0VH、Local Incident Angles、H、A、α)和多角度纹理特征构建了烟草LAI估算的极化特征模型、纹理特征模型以及极化特征+纹理特征的组合特征模型。根据分析可知,组合特征模型获取的估算精度最高,其取得的最佳精度为,R~2=0.835,RMSE=0.251,MAE=0.212;其次为纹理特征模型,其最佳模型的估算精度为,R~2=0.823,RMSE=0.26,MAE=0.171;估算精度最低的为极化特征模型,其最优的估算结果为,R~2=0.723,RMSE=0.325,MAE=0.251。研究表明,相对于极化特征,SAR纹理特征对于烟草LAI具有更好的估算潜力。（2）为探讨纹理特征中方向变量对于烟草LAI估算结果的影响,研究通过灰度共生矩阵（GLCM）分别从σV~0 V和σ~0VH两种极化影像中提取了四个方向（0°,45°,90°,135°）的纹理特征,并以方向为变量构建了不同的烟草LAI估算模型。结果表明,纹理特征的提取方向对烟草LAI估算结果具有较大的影响。在涉及纹理特征的所有估算模型中（纹理特征模型和组合特征模型）,基于0°方向上的纹理特征构建的模型精度最优,其次为90°,而45°和135°方向的纹理特征在估算过程中表现相对较差,其主要与烟草规则的种植方式相关。（3）为评估机器学习方法估算作物LAI的潜力,研究采用了RF、SVM和MLP三种机器学习方法实现估算模型的构建。通过精度分析可知,三种机器学习方法均可以较好的描述SAR影像中各特征参数与LAI之间复杂的非线性关系,取得较好的估算结果。其中,基于SVM构建的LAI估算模型取得的估算精度最佳,其次为RF模型,MLP模型取得的估算精度相对较差。研究结果表明,机器学习方法可以有效的构建SAR数据多维变量与烟草LAI之间复杂的非线性关系。（4）通过对特征变量以及模型方法的综合对比分析可知,研究中最优的特征变量为σ~0VV极化影像中0°方向的纹理特征与极化特征相结合的组合特征,最优的估算方法为SVM;之后利用最优的LAI估算模型实现了研究区内烟草LAI的大范围估算,绘制了烟草LAI的空间分布图,并将其与实际采样数据进行对比分析。结果表明,通过估算获取的LAI值与实际测量获取的烟草LAI值基本相符。研究结果表明,在喀斯特山区多云多雨的天气条件下,利用SAR数据进行作物LAI的估算研究具有较强的适用性,且SAR图像纹理在实现作物LAI的估算过程中具有较大的潜力。该研究结果可为SAR数据用于喀斯特山区农作物的定量监测提供一定的理论和方法参考。