小麦是我国的最主要粮食作物之一,快速无损地获取小麦生长状况对于小麦精确管理的实现具有重要意义。近年来无人机遥感技术发展迅速,为农情信息的快速获取提供了新的方法和平台。本研究以小麦为研究对象,分别于2017-2019连续两个生长季开展不同品种、不同氮处理的田间试验,其中包括两个小区试验和一个大区试验。利用新型的固定翼无人机平台搭载RGB和多光谱相机获取小麦关键生育期的田间影像,并同步获取小麦的叶面积指数（Leaf area index,LAI）,叶片干物重（Leaf dry mass,LDM）,植株地上部氮积累量（Plant nitrogen accumulation,PNA）等农学指标。通过影像处理软件提取到的无人机影像RGB值、光谱与纹理信息,构建基于固定翼无人机的小麦LAI和LDM的估算模型。同时利用无人机光谱信息计算的充足指数（Sufficient index,SI）构建了基于无人机平台的小麦拔节期氮肥推荐算法。预期结果可为中小型面积下作物长势诊断及氮素管理提供技术支持。本文探索了无人机影像纹理特征辅助光谱和颜色信息来估算小麦生长指标的方法。通过将光谱信息和颜色信息计算成植被指数（Vegetation index,VI）和颜色指数（Color index,CI）,利用简单回归（Simple regression,SR）分析了 VI、CI 以及纹理特征与LAI和LDM的定量关系。结果表明,VI和CI与小麦生长指标的相关性较为稳定,而单一的纹理特征表现参差不齐。将不同的纹理特征计算成纹理指数（Texture index,TI）的形式后,与LAI和LDM的相关性有所增加。随后采用多元线性回归（Multiple linear regression,MLR）和随机森林（Random forest,RF）,利用不同的输入变量集来建立LAI和LDM的估算模型。与SR和MLR相比,结合了 VIs、CIs和TIs的RF模型提高了小麦生长参数的估测精度,在小麦抽穗前、抽穗后和全生育期估算LAI模型的验证决定系数分别从0.66-0.71提高到0.76-0.81,LDM模型验证的决定系数从 0.65-0.71 提高到 0.75-0.78。进一步研究了利用无人机影像光谱信息来指导小麦变量追肥的可行性。利用不同小麦品种和施氮量的氮梯度试验,分析了VI与小麦植株氮积累量（Plant nitrogen accumulation,PNA）的关系,筛选出最佳VI即RESAVI并建立了 PNA的估测模型,其R2达到了 0.78,采用10折交叉验证方法对PNA估测模型进行了验证,RRMSE为28.5%。随后分析了小麦总施氮量与产量的关系,得出了试验点的小麦农艺最佳施氮量（Optimum N rate,NOPT）。将待施肥区的光谱值与氮充足区的光谱进行比值处理得到充足指数（Sufficient index,SI）。利用PNA、NOPT和SI等关键参数构建了基于SI的氮肥调控模型。最后使用小麦的大区试验对该调控算法进行了验证。结果表明利用固定翼无人机平台结合SI算法能够准确的根据小麦实时长势推荐追施氮肥量,并且在追肥后有良好的籽粒产量表现、氮肥利用效率和经济效益。本研究表明,纹理特征可作为补充信息来有效的拓宽无人机影像数据的维度,提高无人机估测小麦生长参数的精度;此外,固定翼无人机能够对小麦氮素状况进行有效诊断,并能根据诊断的结果来指导农田氮肥施用。