冬小麦是中国的主要粮食作物之一,及时有效获取冬小麦种植面积是保障国家粮食安全的关键环节。中国冬小麦地块破碎度高,Sentinel等高分辨率影像为中国冬小麦遥感识别提供了新的重要数据源。但在地理空间大范围尺度上,冬小麦遥感识别依然面临着如下三个问题:（1）作物物候差异显著,影像成像时间不一致,云雨导致的影像缺失时段不确定等问题导致冬小麦图像特性的不确定性;（2）中国冬小麦地块破碎度高,不同空间分辨率影像对冬小麦识别精度的影响尚缺少定量研究;（3）冬小麦与油菜、大蒜具有相似的光谱特征和时序植被指数特征,单一依靠光学影像难以准确解决冬小麦与油菜、大蒜易于混淆的科学问题。为此,本文以中国冬小麦主产区（106°E～122.8°E,28°N～42°N）为研究区,基于Google Earth Engine云计算技术,合成、耦合Sentinel-1微波影像和Sentinel-2光学影像,准确生产了10 m空间分辨率的中国主产区2018年冬小麦分布数据。总体精度达到96%,kappa系数为0.92,其中冬小麦的用户精度为95.21%,生产者精度为97.61%。本文研究解决了地理空间大范围尺度上冬小麦遥感识别领域面临的主要科学问题或难题,主要得到如下创新性成果:1、合成时序Sentinel-2光学影像,解决数据冗余,增强冬小麦图像信息。本文基于冬小麦物候特征和MODIS-EVI数据,得到研究区内冬小麦物候的地理空间分异特征,将研究区划分为4个子区域,即28°N～32°N、32°N～35°N、35°N～38°N、38°N～42°N。分别得到每个子区域时序Sentinel-2 EVI影像合成的有效时间窗口,如38°N～42°N区域内,EVI高值时间窗口为2017.11.1～2018.4.30,EVI低值时间窗口为2017.10.1～2017.10.30和2018.6.10～2018.7.10。定义Sentinel-2EVI影像的合成规则,即,EVI高值时期内合成时序Sentinel-2 EVI最大值,低值时期内合成时序Sentinel-2 EVI最小值和中值。该方法有效减少了遥感数据的冗余问题,显著增强了冬小麦的图像信息,为代表性训练样本选择和分类精度提高提供了重要数据基础。2、论证指出Sentinel影像在中国冬小麦遥感识别领域具有明显优势。本文在中国冬小麦主产区尺度上定量分析了10 m、30 m、250 m、500 m空间分辨率影像对冬小麦识别结果的影响。基于10 m空间分辨率Sentinel影像的冬小麦识别结果与统计数据对比,河南、山东、安徽、河北、江苏五大主产省份的误差分别为2.06%、0.00%、1.21%、3.23%、4.10%。通过72个1 km×1 km的验证样方开展精度评价,10 m、30 m、250 m、500 m空间分辨率影像的冬小麦识别总体精度分别为96.19%、89.87%、71.25%、64.48%,冬小麦识别精度随着空间分辨率的降低而降低。Sentinel影像以其高时空分辨率的优势,能够精细识别冬小麦地块的边界信息,冬小麦识别的错分率或漏分率小于5%,对中国高破碎度冬小麦地块的遥感识别具有明显优势。3、耦合主被动遥感数据,解决异物同谱问题,提高冬小麦遥感识别精度。Sentinel-1微波影像对植被植株结构响应敏感,通过分析冬小麦时序Sentinel-1后向散射系数,发现:4月份冬小麦出现谷值,VH、VV波段最小值分别低于-20 d B、-15 d B;油菜、大蒜则出现峰值,VH、VV波段最大值分别大于-15 d B、-10 d B。据此定义时序Sentinel-1影像的合成方案,挖掘合成影像中冬小麦的图像特征:4月份合成影像中VH、VV波段分别小于-15d B、-9.5 d B;VH波段的4月份合成影像与5月份合成影像的差值大于-3d B。据此,以冬小麦-油菜混种区湖北省和冬小麦-大蒜混种区山东金乡县为研究区,采用阈值分类方法优化基于Sentinel-2光学影像的冬小麦识别结果,实现Sentinel-1微波影像和Sentienl-2光学影像的耦合,从而提高冬小麦遥感识别精度。