【摘要】【目的】快速、准确监测覆膜玉米叶绿素含量，探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础，以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象，使用监督分类分割影像背景像元和玉米像元，分析背景像元对玉米冠层光谱的影响，计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入，利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】（1）苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。（2）基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R 2提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g~(-1)，验证R 2提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g~(-1))。（3）基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著；其中光谱特征+纹理特征为变量输入的BP神经网络模型精度最高（验证R 2、RMSE、MAE分别为0.690、0.468 mg·g~(-1)、0.375 mg·g~(-1)）。【结论】采用剔除背景像元的无人机多光谱影像光谱和纹理特征数据并结合BP神经网络可较好地实现覆膜玉米叶绿素含量的反演，研究结果可为无人机遥感快速、准确反演覆膜玉米叶绿素含量提供理论参考。