Pedicularis tiene efectos adversos en el crecimiento de la vegetación y las funciones ecológicas, causando un daño serio a la ganadería. En este artículo, se propone un método de detección automatizada para extraer Pedicularis y revelar la distribución espacial. Basado en imágenes de vehículos aéreos no tripulados (UAV), este artículo adopta regresión logística, máquinas de soporte vectorial (SVM) y clasificadores de bosques aleatorios para la clasificación multiclase. Se utilizan algoritmos de SVM de una clase (OCSVM), bosque de aislamiento y aprendizaje positivo y no etiquetado (PUL) para la clasificación de una clase. Los resultados son los siguientes: (1) La precisión de los clasificadores multiclase es mejor que la de los clasificadores de una clase, pero requiere que todas las clases que ocurren en la imagen sean etiquetadas exhaustivamente. Entre los clasificadores de una clase que solo necesitan etiquetar datos positivos o positivos y etiquetados, el PUL tiene la puntuación F más alta de 0.9878. (2) PUL es el que mejor se adapta a los cambios de características en los clasificadores de una clase. Todos los clasificadores de una clase demuestran que la banda verde es esencial para extraer Pedicularis. (3) Los parámetros del PUL son fáciles de ajustar y el tiempo de entrenamiento es fácil de controlar. Por lo tanto, PUL es un método de clasificación de una clase prometedor para la extracción de Pedicularis, que puede identificar con precisión el rango de distribución de Pedicularis para promover la administración de pastizales.