摘要：【目的】设计一种结合高光谱遥感、卷积神经网络和迁移学习技术的田间水稻秸秆覆盖度(RRC)信息提取方法。【方法】1)实验室测量了多种土壤含水量、水稻秸秆含水量和RRC的“土壤-水稻秸秆”混合光谱。2)基于视觉几何组网络设计了水稻秸秆覆盖度高光谱网络(RRChyperNet)模型,该模型融合深层和浅层网络特征开展RRC估算。3)基于实验室实测和田间实测“土壤-水稻秸秆”混合光谱评估了使用RRChyperNet模型开展田间RRC估算的可行性。使用决定系数(R^(2))和均方根误差(RMSE)评估田间RRC信息提取的准确性。【结果】1)RRChyperNet可用于开展田间RRC信息高精度估算(R^(2)=0.953,RMSE=0.085)。2)基于预训练的RRChyperNet结合迁移学习方法能够实现对研究区RRC高精度估算(R^(2)=0.867,RMSE=0.093),其精度明显高于广泛使用的随机森林和支持向量机回归模型(R^(2)=0.686~0.691,RMSE=0.122~0.128)。3)研究仅基于水稻秸秆开展了RRChyperNet模型训练和性能测试,其针对小麦、玉米等秸秆覆盖度信息提取精度仍需要未来更多的试验来验证。【结论】RRChyperNet能够提供高精度的田间水稻秸秆覆盖度信息,为动态掌握农田保护性耕作实施进度和落实农业生态环境保护建设提供技术支持。