近年来,无人机技术的迅猛发展,同时促进了低空遥感相关技术的快速进步。无人机所具备的操作便捷、高效率、成本低等优势,使其被广泛应用于林业监控、灾害应急响应等领域。由于无人机进行低空航拍所获取的图像视角较小、数据量大且分辨率较高,为了得到拍摄场景的完整的视野,需要通过拼接技术将大量的小视角图像拼接成大场景图像。对林地的生长状况进行动态监测还需要对植被进行分类提取,因此选取何种算法实现精确、高效的图像拼接,使用何种方法实现植被的识别,是目前亟待解决的问题。图像拼接技术部分,对航拍图像的预处理、投影变换及图像融合等图像拼接技术的基本理论进行了系统的研究及总结。采用应用广泛的Kaze、Sift、Surf、Orb和Akaze五种算法进行特征提取实验对比,使用稳定性、速度、重复率、配准精度四个指标来评价算法的性能,最终选择鲁棒性强、精度高但速度较慢的SIFT算法。为了满足实际应用需求,需要通过一些改进来加快SIFT算法的速度,采用以下策略进行改进:在对图像提取特征点之前先执行降采样操作以减小图像的尺寸,之后在SIFT算法的极值点检测过程中将检测的范围修改为5x5,以减少特征点的数量,使用基于网格的运动估计算法代替传统的RANSAC算法来筛除错配点。实验证明,改进后的SIFT算法进行两张图像匹配时间提高了1s左右,并且未影响最终的拼接效果。植被识别实质上是对图像进行语义分割后分别提取标识出不同类别植被的区域。深度学习应用于语义分割能够实现像素级的自动精确分类,因此选择深度学习框架实现植被识别。过程如下:使用标定工具labelme对航拍图像进行人工标注,之后对标注后的图像采用旋转、添加噪声以及随机裁剪的方式进行数据集扩增,取数据集中的70%作为训练集,构建好模型后输入训练集进行训练,重复迭代训练得到最优的模型,通过该模型进行预测就能实现图像的语义分割。通过植被识别,可以达到监测林地生长状况的目的,方便林场的管理。根据实际的应用,在Microsoft Visual Studio2010环境中使用C++语言编程实现了相关的算法模块,设计并搭建了基于航拍拼接图像的植被识别系统的界面,并将各个功能模块整合到系统中,形成完整的识别系统。经过实践测试,表明该系统使用稳定、操作便捷,能够满足项目需求。