玉米是我国主产粮食作物,对维持国家粮食安全具有重要意义。氮素是植物生命活动过程中必须元素,对植被的光合作用以及生长发育具有指示性及决定性作用。如何及时、准确地监测玉米各生育期叶片氮含量,制定相应的氮肥施用方案,是提高玉米产量和品质的关键。传统的玉米氮素监测方法,是通过人工进行实地取样,然后将样本带回实验室进行测量。该方法消耗大量人力物力,且效率低下,还会对田间作物造成损坏。在进行人工采样时,难免出现人为误差,并且该方法很难形成统一标准。随着遥感技术的发展,通过遥感展开农情监测优势明显,借助无人机遥感平台,可以实现快速,高效的数据采集,方便后期进行数据处理和各种作物不同指标的反演研究。本文以北京市昌平区小汤山国家精准农业研究示范基地为研究区。通过无人机遥感平台搭载数码相机和多光谱传感器,采集2017年、2019年玉米抽雄吐丝期和灌浆期无人机遥感影像,开展基于无人机多源影像信息融合的玉米叶片氮含量（Leaf Nitrogen Concentration,LNC）反演研究。论文的主要研究内容和结论如下:（1）基于无人机多源影像像素级融合的玉米氮素遥感监测。通过GS（Gram-schmidt）融合方法将无人机高清数码影像和多光谱影像进行像素级融合。对无人机高清数码影像、无人机多光谱影像和融合后影像进行典型冠层光谱指数的构建,并将冠层光谱指数与玉米实测LNC进行相关性分析,筛选相关性最好的前五个光谱指数。利用随机森林（Random Forest,RF）分类方法,剔除土壤和阴影等背景噪声,探讨土壤背景因素对玉米LNC模型精度的影响。最后采用拉索回归（Least Absolute Shrinkage and Selection Operator,LASSO）和偏最小二乘回归（Partial Least Squares Regression,PLSR）两种算法,综合评估不同条件下玉米LNC反演模型精度。结果表明,数码影像和多光谱影像融合后,玉米LNC反演模型精度得到提升,其中多光谱影像融合后PLSR模型在抽雄吐丝期去除土壤背景条件下R~2提升0.25,RMSE降低0.03,NRMSE降低2.20%;玉米LNC反演模型在灌浆期反演效果最好,多光谱影像灌浆期去除土壤背景后LASSO模型和PLSR模型的R~2比抽雄吐丝期分别提升了0.15和0.10;无人机影像在剔除土壤背景因素后,数码影像和融合后影像的各模型精度得到提升,并且LASSO模型略好于PLSR模型。（2）基于无人机多源影像信息的特征级融合和深度学习方法的玉米氮素遥感监测。对构建的无人机高清数码影像和无人机多光谱影像的冠层光谱指数,通过灰色关联度分析法,筛选与玉米LNC关联度最高的五种光谱指数,作为玉米冠层光谱特征信息;通过灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）提取数码影像的纹理特征信息;将玉米冠层光谱特征信息和纹理特征信息通过不同线性组合作为变量输入,利用随机森林回归（Random Forest Regression,RFR）、支持向量机回归（Support Vector Regression,SVR）和深度神经网络（Deep Neural Networks,DNN）算法建立玉米LNC反演模型。综合评估不同条件下玉米LNC反演模型精度。结果表明,纹理信息对模型反演精度提升效果明显,多光谱冠层光谱特征加上纹理信息后,RFR、SVR、DNN模型的R~2分别提升0.08、0.13、0.09;DNN回归模型对玉米LNC预测结果优于RFR和SVR模型,其中DNN-F2模型的R~2达到0.85,RMSE为0.27,NRMSE为10.07%。本文从无人机多源影像信息的像素级和特征级融合出发,分析筛选玉米冠层光谱特征和纹理特征,建立玉米LNC遥感反演模型,实现无人机多源影像信息融合下玉米LNC高效、无损、便捷的遥感监测,为玉米LNC获取提供新的手段,也为田间农情信息精准获取提供科学有效的遥感技术支持。