实时、无损监测小麦氮素状况对其精确施肥非常重要。高光谱遥感技术可有效监测作物氮素信息,为科学施肥提供技术支撑,但获取的小麦光谱受多因素影响,如冠层结构、土壤。设计了不同株型品种、氮水平和密度的小麦田间试验,综合考虑土壤和冠层结构对冠层反射率的影响,分析植被指数、光谱特征参数和化学计量法与LNC的定量关系,以期找到受土壤和冠层结构影响较小且能很好地估测小麦LNC的最佳植被指数、光谱特征参数和化学计量法,从而确定不同覆盖度下小麦氮素无损监测最优方法,最终为不同覆盖度下小麦氮素高光谱无损监测与精确管理提供技术支撑。本研究采用两种方法减少土壤干扰,一种是通过线性混合像元分解(LMSA)提取纯净的植被光谱,另一种是通过引入调节因子0来构建修正型植被指数mSR。经LMSA分解后,SR(R471,R5O4)与LNC的R2从0.66提高到0.71。修正型植被指数(mSR二(R471+0)/(R504+0))与 LNC 的相关性比 SR(R471,R504)(R2=0.71)与 LNC 的有较大提高(R2=0.78),R2提高了 0.07,验证模型估测小麦LNC的P-R2和RRMSE分别为0.74、14.77%。最佳观测高度和角度研究表明,当高度为1米时,最佳观测角为后向60°;当观测角为0°时,最佳高度为0.5米。综上所述,mSR和LMSA法能提高不同覆盖度下小麦LNC监测精度,前者表现优于后者;且验证模型具有较好的精度和稳定性;最佳观测位置是冠层上方0.5米0°或冠层上方1米后向60°。其次,利用高光谱特征参数监测不同覆盖度下小麦叶层氮含量,包括连续统去除、红边参数及小波变换法。基于连续统去除法,NMAD(面积归一化最大吸收深度)与小麦LNC的相关性(R2)和预测标准误(RMSE),分别为0.47、0.74,效果较差,且验证模型的P-R2和RRMSE分别为0.52、24.83%,预测精度较低。基于红边参数法,修正前红边参数DD(A680-718,A700-724)与小麦LNC以线性拟合最好,S-R2和RMSE分别为0.59、0.55;参照前人研究,引入蓝光波段得到修正后红边参数mDD(A680-718,A700-724)的 S-R2 和 RMSE 分别 0.65、0.60;且检验模型的 P-R2 和RRMSE分别为0.65、18.09%,说明修正后红边参数监测LNC的效果较修正前的有明显提高。基于小波变换法,对350-1350nm范围内进行CWT获得特定尺度和波段下小波系数,采用线性回归法获得小波系数和小麦LNC的相关性。结果表明:组合型小波系数bior3.3(W516,S8)+ sym5(W432,S5)与LNC建模的R2为0.75,为估测小麦LNC的最佳小波函数;其检验模型的P-R2和RRMSE分别为0.74、17.51%。另外,还计算了红边面积和其他参数,但这些参数监测小麦LNC的效果均较差。最后,利用化学计量法监测不同覆盖度条件下小麦LNC,比较逐步多元回归(SMLR)、主成分回归(PCR)和偏最小二乘法(PLS)监测小麦LNC的效果,并基于这三种方法筛选小麦LNC的最佳化学计量法,构建了基于化学计量法监测不同覆盖度条件下小麦LNC的模型。研究表明,基于PLS建立的LNC监测模型表现最好,建模决定系数Rc2为0.80,标准误差RMSEc为0.39;模型内部交叉验证表明,预测氮含量内部验证决定系数RCv2为0.77,内部验证标准误差RMSEcv为0.41;模型外部验证表明,预测小麦LNC的外部验证决定系数Rv2为0.76,外部验证标准误差RMSEp为0.36。另外,还分析了基于这三种化学计量法在低、中、高覆盖度下监测小麦LNC的效果,研究发现PLS在低、中、高覆盖度下小麦LNC的建模和检验效果均最好,这说明PLS法不仅受土壤和冠层结构的影响较小且能很好地估测小麦LNC,因此不同覆盖度下建立的小麦LNC监测模型具有很好的精确性和稳定性。