水稻是我国主要的粮食作物之一,水稻生产在农业生产中具有举足轻重的地位。在水稻氮素营养诊断中,氮素是叶绿素的基本组成物质,叶绿素含量和氮素含量紧密相关,也就是说,可以通过估测水稻的叶绿素含量来对水稻进行氮素营养诊断,以此确定合理的施肥方案,解决了氮素施用量过高所产生的增产效率下降和环境污染问题,因此,对水稻叶绿素含量估测研究具有重要的现实意义。针对水稻叶绿素含量估测研究,本文深入开展了如下工作：首先,本文以北方常见水稻品种空育131为实验对象,设计试验方案,采集水稻叶片图像和生物特征参数。在获取水稻叶片图像时,在大田环境下,以白板为背景,使用数码相机拍摄叶片的垂直图像。在获取水稻的生物特征参数时,使用美国产的叶绿素仪CM1000,获取水稻的叶绿素含量值,即SPAD值。每一幅图像均对应着一个SPAD值,以二者的对应关系设计数据库表,建立水稻叶片图像数据库。其次,在介绍几种常用的边缘检测算子和分析各种边缘检测算子的优缺点的基础上,将中值滤波,Canny算子,数学形态学和最小外接矩形算融合,提出了一种基于多策略融合技术的水稻叶片边缘检测算法。与传统边缘检测算法相比,该算法能有效的提取水稻叶片的边缘信息,具有高效性、鲁棒性等特点。再次,由于水稻叶片颜色特征能够有效反映水稻的叶绿素含量,本文提取21种颜色特征。根据已提取的颜色特征的相关性分析知,颜色特征数据中存在着冗余信息,为了提高计算速度和分类精度,采用主成分分析方法和独立成分分析方法对颜色特征降维处理,分别提取2个主成分和4个独立成分。最后,本文将水稻叶绿素含量估测问题转化为判别学习问题,在简单介绍了KNN和TKNN基础上,分别建立基于大间隔最近邻分类的水稻叶绿素含量高低两类估测模型和基于大间隔最近邻分类的水稻叶绿素值多分类估测模型,实验结果表明,无论是两分类问题还是多分类问题,基于PCA和LMNN的叶绿素估测精度最高,估测效果最好。基于图像处理技术的水稻叶绿素含量估测问题是现代精准农业领域的重要研究内容之一,本文将图像处理技术、维数缩减技术和判别学习技术相结合解决水稻叶绿素含量估测问题,可以作为叶绿素含量估测问题的一次有益补充,也可以作为在精准农业领域中与叶绿素估测相似问题的方法框架。