松树是我国森林资源的重要组成部分,无论是在人工林区还是自然保护景区中均有大量分布。松材线虫病具有非常强的感染性与扩散性,也被称为“松树的癌症”,主要通过松褐天牛为中间宿主在松木之间进行传播,并逐渐侵蚀病害木周边的健康松木。被感染的松木会逐渐出现脱失水分以及针叶变色的现象,最终整株植株彻底死亡。从发现至今,松材线虫病已经在我国多个省份爆发,造成了巨大的经济损失。由于林区广袤,常见的人工实地勘察工作存在视觉盲区以及费时费力的问题,难以对林区病害进行及时有效的监测。无人机遥感技术的逐渐普及,弥补了传统监测方式效率差以及相对耗时的问题。结合遥感信息还能做到对病害松木的精准定位,为林区病害监测工作提供更加便捷的技术手段。针对上述情况,本文以商用小型无人机为飞行平台,结合图像处理技术对林区内病害松木进行病害监测。以福建省建瓯市松材线虫爆发区域为调查试验区,对病区进行拍摄并对图像进行数据处理。通过深度学习框架实现对试验区航拍样张病害松木图像的全自动识别,并对病害松木的病害情况作出分析与判别,为病区防治监测工作提供精准数据。本文工作主要包括:（1）:以小型商用无人机为飞行平台,对指定病害爆发地点进行航拍图像采集,以20天为时间间隔对实验地连续采样,为后期做样本训练提供可靠的数据支撑。（2）:对采集的图像采取筛选、裁切等预处理以提高样张质量,利用以颜色特征为手段的多通道阈值分割方法和超红颜色特征结合最大类间方差法,分别对样张中存在的病死松木进行判别。结果表明多通道阈值手段识别精度更高,但前期工作相对耗时,两种方式在处理过程中都出现了病害松木的漏判、误判以及算法无法广泛推广适用的弊端,与人工识别精度也存在差距,无法实现对林区病害的高效精准判别。（3）:标记整理前期遥感数据制作数据集,在制作数据集时将病害松木按照病害程度分为level1、2、3（分别对应病害松木感染初期、重度感染、感染病死）,实现了对病区内松木病害更加精准的判别。（4）:利用深度学习领域中的Faster R-CNN、YOLO v3、SSD三种目标检测框架对病区样张进行识别,对比各框架处理效果发现Faster R-CNN框架效果最好,识别准确率超过90%。不仅克服了传统识别手段中出现的误判漏判情况,同时也对遥感图像中病害松木病情程度做出准确判定,实现了精准高效的自动化识别。