小麦是我国主要的粮食作物,其长势情况与产量息息相关,而最终产量对农业管理部门政策制定有重要参考作用,因此对冬小麦长势及产量开展研究具有实际应用价值。无人机遥感技术因其操作简单、高效在作物研究中被广泛应用。本文以安徽省庐江县白湖农场和舒城县农科所试验基地为研究区,利用搭载高清数码相机和成像高光谱仪的无人机平台,采集研究区冬小麦扬花期和灌浆期的冠层可见光影像及高光谱影像。结合地面实测数据对冬小麦进行长势监测及产量估算,探讨多源无人机遥感影像特征融合估测叶片氮含量（Leaf Nitrogen Concentration,LNC）、叶面积指数（Leaf Area Index,LAI）和产量的性能。主要研究工作及取得的成果如下:（1）多源无人机遥感影像特征估测冬小麦LNC。通过对可见光影像特征（可见光植被指数、纹理特征）和高光谱影像特征（高光谱植被指数、波段）与LNC进行皮尔逊相关性分析以及使用随机森林（Random Forest,RF）算法对影像特征排序,然后筛选出敏感特征用于多元线性回归（Multiple Linear Regression,MLR）、偏最小二乘回归（Partial Least Squares Regression,PLSR）、支持向量回归（Support Vector Machine Regression,SVR）和随机森林回归（Random Forest Regression,RFR）四种算法构建LNC估测模型。研究结果表明,对于可见光影像数据,在扬花期,以2019年数据构建模型并以2018年数据进行测试,结果表明模型稳定;在灌浆期,通过构建的2019年、2018+2019两年LNC估测模型结果可知,样本增加模型精度提高鲁棒性增强,构建的RFR等模型估测LNC效果较好。基于两种影像特征融合构建的LNC估测模型精度优于单一影像特征结合和单一影像单类特征,SVR和RFR分别在扬花期和灌浆期精度最佳,验证集R~2分别为0.832和0.898,RMSE分别为0.837和1.142。影像特征空间异质性对LNC估测模型的影响研究表明,在扬花期和灌浆期,可见光影像采样尺度分别为70%和80%,高光谱影像采样尺度为80%和55%时,对应全采样尺度下构建的单一影像特征结合最佳LNC估测模型精度得到提升,合适的影像采样尺度有利于监测LNC。（2）多源无人机遥感影像特征估测冬小麦LAI。首先筛选用于构建LAI估测模型的特征（方法同LNC）,不同特征输入下建立的LAI估测模型结果表明:基于两种影像特征融合估测LAI优于单一影像特征结合和单一影像单类特征,RFR在扬花期和灌浆期精度最佳,验证集R~2分别为0.733和0.929,RMSE分别为0.193和0.118。影像特征空间异质性对LAI估测模型的影响研究表明:在扬花期和灌浆期,可见光影像采样尺度分别为55%和70%,高光谱影像采样尺度均为80%,全采样尺度下最佳估测模型RFR精度进一步提升。此外,构建的多生育期RFR和卷积神经网络（Convolutional Neural Network,CNN）模型估测结果表明CNN算法优于传统机器学习。（3）多源无人机遥感影像特征估算冬小麦产量。基于单一影像特征结合以及两种影像特征融合构建的SVR、RFR和极端梯度回归（eXtreme Gradient Boosting,XGBoost）灌浆期小麦产量估测模型结果表明,XGBoost结合两种影像特征估算产量精度最佳,验证集R~2和RMSE分别为0.886和136.494。使用影像特征结合地面指标（LNC和LAI）估算小麦产量时,XGBoost模型精度得到提升,验证集R~2和RMSE分别为0.923和112.104。基于多生育期特征结合构建的XGBoost估产模型精度低于灌浆期模型精度,今后会结合小麦更多生育期进行分析。综上,本文基于无人机可见光影像和高光谱影像,探讨多源遥感影像特征融合监测小麦长势和产量估算性能。结果表明,多源遥感影像特征融合监测小麦长势和产量估算优于单一影像特征。进一步的,在产量估算研究中发现影像特征结合小麦自身参数估测产量效果更好。因此,本文研究可为其他作物长势监测和产量估算提供重要思路和方法。