作物的株高是动态衡量其健康和整体生长状况的关键指标,该性状被广泛应用于作物的生物学产量和最终的籽粒产量估测。传统的人工测高方式低效、主观性强,难以实现大面积株高数据的同步观测。随着遥感技术在农业领域的高速发展,使高精度、高频次、高效率的作物株高采集成为可能。其中,无人机结合高分辨率数码相机因其低成本、高灵活性等优势,已成为应用最广泛的作物高度信息采集方式。通过低空无人机遥感方法提取高精度作物株高需要不同类型的空间辅助数据,如表示土壤高程的数字地形模型（digital terrain model,DTM）、表示作物冠层高程的数字表面模型（digital surface model,DSM）、实现图像精度改善及多期图像配准的地面控制点（ground control point,GCP）以及地面实测株高数据等。然而,在科学研究、农业生产等不同领域对株高获取的准确性和成本有不同需求,并且环境条件对数据采集也有所限制。针对以上问题,本试验以湖北省鄂州市华中农业大学试验田的苗期油菜为试验对象,利用无人机搭载可见光传感器和多光谱传感器进行图像数据采集。试验采用了4种不同空间辅助数据组合进行作物株高估算,其中1种为完备数据,3种为不完备数据。为提高株高估算精度,试验针对缺失的数据提出了相应的改进方案。同时,计算了5种可见光指数和13种五波段指数,通过建立指数回归模型间接估测株高,并将光谱指数与DSM数据联合进行多元线性回归建模以改善株高估算效果。最后,论文全面地总结和评估了不同数据完备性下作物株高估算的精度和成本情况,能够为科学研究和实际农业生产中的作物测高方案制定提供参考,在满足精度的前提下同时能平衡成本。本研究得到的主要结论如下:（1）通过低空无人机遥感平台搭载高清数码相机进行作物株高获取,在数据完备情况下,油菜株高估测可以达到较好的预测精度。其中,3期数据的平均R~2为0.881,绝对误差（root mean squared error,RMSE）为0.030 m,相对误差（relative error,RE）为7.1%。然而,由于运动恢复结构（structure from motion,Sf M）算法对反射面小的作物敏感性较低,即使数据属于完备情况,株高估测仍会产生低估,通过提高点云密度可以改善这一现象。（2）DTM数据缺失时,受地形因素影响株高估算精度下降,3期数据平均R~2为0.734,RMSE和RE分别为0.041 m和9.9%。本研究提出了3种改进方式,其中2种的是通过提取土壤离散点的高程数据作为基底,另一种通过提取离散点后插值构建完整连续的基底面。由于本试验油菜冠层已经密闭,提取各个小区周边裸土离散高程值作为该小区的DTM效果最佳。（3）在地面控制点数据缺失的情况下,多期图像难以配准而导致株高精度下降,其平均R~2为0.622,RMSE和RE分别为0.045 m和13.9%。本试验提出可以从无人机图像中直接选取特征突出、位置固定且均匀分布于整个研究区的地面控制点代替野外控制点的布设与采集。地面控制点的空间分布和数量会影响图像几何校正的质量,水平方向和垂直方向的均匀分布都是必要的。此外,单株作物表型参数的提取相对作物群体会因地面控制点数据缺失产生更大误差,因此该种情况下地面控制点数据是必不可少的。（4）在DTM和地面控制点数据皆缺失的情况下,精度有所下降,其平均R~2为0.689,RMSE和RE分别为0.082 m和20.5%。DTM平坦度直接决定了空间辅助数据的选择,即在缺失地面控制点的条件下,地形相对平坦的条件下不使用DTM株高估测结果会优于使用DTM数据;而当地形相对粗糙时,DTM数据是必要的。（5）仅使用光谱指数建立指数回归模型,最佳株高估算结果中R~2为0.736,RMSE为0.053 m。因为光谱指数法测高受空间辅助数据缺失影响较小,因此试验将光谱指数联合DSM建立多元线性回归模型,最佳的R~2提升为0.881,RMSE下降至0.036 m。精度相较DTM和GCP数据均缺失的情况有所提升,但是其光谱指数在作物生长后期具有饱和性,并且建立的经验模型也不具有普适性。（6）低空无人机遥感技术为田间作物高度估算提供了一种高效、便捷、低成本的手段。本文针对株高获取需要的空间辅助信息,全面地总结了不同空间数据条件下作物株高估算方式,并结合试验数据和专家经验评估了其精度和成本情况,为科学研究和农业生产提供一种有效的方法参考。