塞威氏苹果是第三纪温带阔叶林中的一个古老稀有的植物物种,世界上众多的苹果品种都含有塞威氏苹果的基因。近年来小吉丁虫害的爆发和人类活动造成塞威氏苹果枝干、枝条大面积的枯死,生态系统严重退化,物种已到濒临灭绝地步,亟需有效的灾害监测和防治手段。针对目前野果林特别是塞威氏苹果林健康状况监控不力的问题,研究以新疆巩留县塞威氏苹果典型分布区为研究区,使用无人机高光谱数据,应用光谱特征分析与判别、浅层机器学习以及深度学习等三种方法对枯枝等级识别方法进行了研究,提出了非监督条件下塞威氏苹果林枯枝等级的遥感监测方案,主要研究内容及结果如下:（1）应用无人机高空间分辨率CCD数据分割不同枯枝等级样木,提取样木高光谱信息,使用随机森林（Random Forest,RF）、支持向量机（Support Vector Machine,SVM）和BP（Back Propagation）神经网络等算法结合光谱特征筛选方法建立了高精度的塞威氏苹果林枯枝等级冠层光谱特征判别模型。使用随机森林（RF）、植被指数（vegetation index,VI）、连续小波分析（Continue Wavelet Analysis,CWA）和连续投影算法（successive projections algorithm,SPA）分别筛选获得了36个重要波段变量、21个植被指数、21类小波能量系数特征因子和3个特征波段,分别利用SVM、RF和BP神经网络算法对各单一型特征建立了枯枝等级判别模型,结果表明,VI-RF判别模型识别精度最高,达到了91.53%,其次是CWA-RF判别模型,分类精度为90.83%;将4类特征进行全特征组合和VI-CWA特征组合,分别使用3种分类器构建的枯枝等级判别模型精度均高于单类型特征建模精度,VI-CWA特征组合枯枝等级分类精度最高,达到96.19%;但将判别模型应用于实验区高光谱影像进行区域枯枝等级制图后,枯枝等级识别精度均低于40%,不能很好的开展基于遥感图像的枯枝等级精准识别。（2）使用浅层机器学习图像分类方法实现了塞威氏苹果林枯枝等级的高精度识别。分别使用RF和Soft Max（SM）分类器对实验区高光谱全波段数据、高光谱结合24个纹理特征以及主成分（PCA）前3个分量结合24个纹理特征3类变量直接进行枯枝等级分类,各方案精度均未超过40%,PCA+纹理特征的分类方案效果最佳,但仅为37.69%;使用相同数据和方法先识别枯枝信息再计算枯枝率进而划分枯枝等级,PCA+纹理组合枯枝识别精度最佳为85.32%,枯枝等级识别精度达到84.64%。（3）提出了基于原型网络的塞威氏苹果林枯枝信息识别深度学习算法,实现了高精度枯枝等级识别和稳定的模型迁移。分别以高光谱全波段和PCA前三个分量为数据源,应用原型网络识别枯枝,结果表明PCA窗口大小为23×23,Dropout值为0.5,卷积层为3层时可以实现98.78%的高精度枯枝识别,基于此结果实现了91.30%的枯枝等级高精度识别;当训练样本数占总样本数10%时,依旧能够实现90%以上的枯枝识别精度,证明原型网络适用于本区域地物的小样本枯枝识别;将实验区模型应用于测试区1时枯枝识别精度较低仅为65.69%,经过迁移学习后在测试区2枯枝识别精度达到了95.15%,表明模型具有了稳定的枯枝识别性能。