小麦是我国的三大粮食作物之一,在农业生产中具有重要的地位。表型信息是作物生长动态监测中的重要参数,是揭示作物生长规律与环境变化的依据。因此,小麦的表型信息获取就成为当前精准农业中的研究热点,如何高效的获取和分析小麦的表型信息仍是一个挑战。近年来,无人机遥感作为高空遥感的补充,已经成为低空遥感获取信息的重要手段,由于其获取方式灵活和时效性快,被越来越多地应用于获取作物表型信息。本文针对小麦无人机遥感图像的表型信息提取方法进行了探究。利用无人机于2017-2019年获取了安徽省庐江县郭河实验基地种植的小麦拔节期、抽穗期、灌浆期和成熟期的遥感图像,将这些小麦的遥感图像作为研究对象。论文的主要研究内容如下:(1)研究了小麦遥感图像的去噪声方法,分别采用均值滤波方法、中值滤波方法和自适应中值滤波方法对不同生长时期、不同高度和不同品种的小麦遥感图像进行去噪声处理,并从定性和定量的角度比较分析了三种不同滤波方法对小麦遥感图像去噪声后的图像质量,得出自适应中值滤波方法不仅能够很好的减弱图像噪声,同时还可以很好的保护图像的边缘信息。(2)研究了小麦遥感图像的融合方法,分别采用直接平均方法、小波变换方法、加权平均方法对不同生长时期、不同高度和不同品种的小麦遥感图像进行融合处理。实验结果表明,融合后的图像重叠区域出现了拼接痕迹和亮度上的差异。为此,对加权平均方法进行了改进,采用改进的加权平均方法对不同生长时期、不同高度和不同品种的小麦遥感图像进行融合处理,融合后的图像重叠区域的拼接痕迹不仅得到消除,而且图像的亮度趋于一致。并从定性和定量的角度比较分析了改进的加权平均法与其它三种融合方法相比,对图像融合后质量的提升。与加权平均方法相比,其平均梯度提升了 9.5%,信息熵提升了 4.1%,均值提升了 2.9%,标准差提升了 8.4%。(3)提出了基于无人机监测小麦叶片氮含量的方法。针对不同生长时期的小麦叶片氮含量监测过程繁杂、并具有破坏性,提出了利用无人机遥感图像对不同生长时期小麦的叶片氮含量进行快速预测的方法。从拼接和融合后的小麦遥感图像中提取小麦表型信息的颜色特征和纹理特征,将其颜色特征和纹理特征作为支持向量机回归模型的输入,对不同生长时期的小麦叶片氮含量进行预测,对比分析了基于纹理特征、颜色特征和纹理特征+颜色特征对小麦不同生长时期的叶片氮含量预测模型的精准度,得出利用纹理特征+颜色特征模型预测小麦的叶片氮含量更准确。