在现代农业生产过程中,精准的苗情信息是实现农作物因苗管理的关键。新疆地区作为我国最大的优质棉基地(种植面积占全国76%,2019年),依靠人工田间抽样调查、手动估算的传统苗情获取方式,显然已经难以满足精准农业中对作物管理的要求。如何快速、高效的获取棉花苗情信息,及时、准确的掌握棉田动态,对于棉花精细化管理、提升棉花产量具有重要意义。基于此,本文利用无人机遥感平台采集3~4叶期棉花高分辨率影像,结合图像处理及机器学习技术识别分割棉花目标、构建棉株计数模型,最后基于该模型提取棉花出苗率、冠层覆盖度及长势均匀性等苗情信息。同时,利用改进的目标检测算法YOLOv3实现棉田杂草识别及定位,为棉田杂草去除提供依据。主要研究内容和研究结果如下:(1)棉花目标识别与提取。植被与背景(土壤、地膜)分离是获取棉花苗情信息的前提。经过预处理操作后,选取GBDI、ExG、NGRDI、NGBDI等8种颜色指标对影像进行颜色特征分析,并结合Otsu自适应阈值法实现棉花目标的提取。同时,采用形态学和网格线法去除杂草噪声。研究表明:在8种颜色指标中,颜色指标(GBDI)结合Otsu方法分割效果最好;网格线法优于形态学去噪方法,可有效避免去噪时带来的形态特征改变,为后续利用棉花目标的形态特征建模奠定了基础。(2)棉花苗情信息提取。在前一步基础上提取棉花目标形态特征,结合SVM(Support Vector Machine)构建棉株计数模型,并结合模型和影像提取棉花出苗率、冠层覆盖度及长势均匀性等苗情信息。研究表明:棉株计数模型分类精度达到97.17%。将模型应用于3种不同面积尺度地块上,预测的出苗率误差分别为5.33%、3.03%、0.89%。同时,提取的棉花冠层覆盖度及冠层间的变异系数,可有效显示棉花整体长势及均匀性信息。(3)棉田杂草识别及定位。杂草是胁迫棉苗健康生长的主要因素之一,为精确高效的去除棉田杂草,本文提出了一种基于改进的YOLOv3模型的棉田杂草快速检测方法。针对苗期无人机影像中棉花、杂草目标较小的特点,本文通过尺度扩展、目标框维度聚类、多尺度训练等方法对YOLOv3网络模型进行了优化。同时,为探寻苗期影像杂草识别的最佳分辨率,构建了3种分辨率(0.10cm、0.29cm、0.52cm)的数据集进行验证。结果表明,将改进的YOLOv3模型应用在0.29cm影像数据集上对棉田杂草检测效果最好,其识别精度(F1:92.12%,Recall:90.26%)和运行速率(51帧/s)均可满足实际农业生产需要。本文以3~4叶期棉花为研究对象,结合无人机遥感影像、多种分析方法,实现了棉花苗情的快速精准获取,研究成果能够在较短时间内快速、准确的获取棉花苗情信息,为后续的棉田管理、精细植保提供技术支持。