作物生育期监测可以为精确农业提供及时准确的信息,以便采取适宜的肥、水、药等管理措施,同时也可以衡量气候变化。本研究以不同年份、小麦品种、播种日期和施氮水平的小麦大田试验（江苏兴化万亩粮食高产高效产业园）数据为依托,综合运用遥感光谱指数法、经验模型法、图像特征提取技术和机器学习数理分析等技术手段,构建小麦生育期时序植被指数曲线模型,评估不同时间驱动因子结合植被指数曲线模型对生育期监测精度的影响;分析图像特征对不同生育期的响应规律,确定并筛选对生育期变化敏感的图像特征,探索机器学习分类算法在小麦生育期分类研究中的表现和能力。预期结果为基于时序数据准确监测作物生育期提供理论和技术支撑。首先,以高时空分辨率的Planet卫星影像为数据源,获取全生育期内的小麦冠层光谱信息,在明确形状模型法监测生育期原理的基础上,加入符合小麦生长发育规律的时间驱动因子作为时间变量,评估不同时间驱动因子在小麦生育期研究中的表现。结果表明:（1）基于累积生长度日（Accumulated Growing Degree Day,AGDD）结合形状模型法的平均监测精度最高（4 d＜RMSE＜7 d）,累积光热时间（Accumulated Photothermal Time,AP TT）仅次于 AGDD（6 d＜RMSE＜10 d）,生理发育时间（Physiologicaldeve]opment time,PDT）的监测效果最差（RMSE＞7 d）。（2）形状模型法的监测能力与时间驱动因子有关,尺度越大,监测精度越高。这是由于形状模型在较大尺度中的拟合过程的误差容错率较高,并且最后估算值换算成日历天数的误差较小。其次,在总结了基于改进的形状模型法在小麦生育期定量监测中仍未实现实时性的不足后,进而运用分类思想对生育期进行估测研究。基于无人机获取的高空间分辨率RGB影像提取光谱信息与纹理信息作为识别不同生育期的特征数据集,运用基于紧致-分离原则的特征选择算法和多级相关向量机（Multiclass relevance vector machine,mRVM）进行特征筛选和分类,定性地估计出八个生育期的分类精度（出苗期:0.68;分蘖期:0.88;拔节期:0.31;孕穗期:0.57;抽穗期:0.24;开花期:0.31;灌浆期:0.77;成熟期:0.86）和总体分类精度0.7,并与其他特征选择方法和分类器做比较。研究结果表明光谱特征与纹理特征结合使用可以提高生育期的分类精度,本研究使用的特征选择方法与分类器在小麦生育期监测研究中的表现更好。最后,综合分析讨论了基于经验模型和机器学习的生育期研究方法的优势与缺陷,为今后的研究指明了方向。