作物理化信息的准确、快速获取是科学地进行农业生产的基础。以传统化学分析方法获取各种农学参量存在耗时长,只能获取点源信息以及难以在宏观尺度上展开等缺陷,极大地影响了农业决策的全面性、时效性与客观性。高光谱技术的不断成熟及其在定量分析中表现出的巨大优势,为解决这一问题带来了新的契机。本文结合高光谱与地物光谱分析技术,在已有研究的基础上改进与发展新的方法,实现了小麦氮含量、叶绿素含量、含水量以及叶面积指数的准确、快速反演,从而为农业生产提供了科学支持。本文的研究成果主要包括以下几点：1.实现了地物光谱与成像光谱预处理方法的改进。首先,针对地物光谱存在随机噪声与背景信息的问题,本文采用小波去噪与导数处理相结合的方法进行地物光谱数据的预处理,实现了在去除土壤背景的同时抑制随机噪声以提高光谱信噪比的目的,从而改进了地物光谱的预处理方法。其次,在成像光谱的预处理上,本文采用最小噪声分离(MNF)算法进行了成像光谱的消噪,并结合QUAC与ELC两种大气校正方法实现了高光谱影像大气校正的优化,获得了接近地面真实反射率的影像数据。地面光谱与成像光谱预处理方法的改进为小麦理化参量的精确反演奠定了基础。2.系统地分析了植被指数提取、分类算法提取以及端元波谱匹配填图三种方法在目标作物覆盖区域(目标区域)提取中的优缺点以及各自的适应范围。得出以下结论：植被指数提取具有操作方法简单,计算速度快的优点,但难以对不同的植被进行区分,适合在植被类型单一或不需要对植被进行区分的时候使用；分类算法的训练样本由人工选取,具有一定的主观性,但交互性较好,可对训练样本进行调整,并根据具体的要求对地物类型进行划分,从而得出适合目标区域提取的地物类型划分方法,实现较精准的提取,适合需要对混合区域进行提取时使用；端元波谱匹配则具有精确客观的优点,但对混合地类的提取能力较差,适合目标区域内的地物类型较纯时使用。3.以本文提出的新光谱指数FD-NDNI实现了小麦冠层叶片氮含量的反演,并利用最小二乘支撑向量回归(LS-SVR)算法实现了建模方法的优化。指数FD-NDNI系小麦反射光谱“蓝边”与“红边”陡峭度的归一化值,可敏感反映出小麦冠层叶片氮含量信息,其反演模型校正集与预测集R2分别达0.846与0.838,优于mNDVI705. mSR705与NDNI等常用指数的反演结果。进一步分析发现,在各指数中,FD-NDNI与叶面积指数的相关性最低(r=0.67),能最有效地避免冠层郁闭度等因素对冠层叶片氮含量估测的影响。利用反演模型实现了氮含量的遥感填图,并将反演结果与地面实测值进行拟合分析。发现两组数据拟合模型R2达0.721,RMSE为0.421,具有较高的拟合度。表明FD-NDNI是进行小麦冠层叶片氮含量反演的优选指数,从而为实现小麦氮含量的反演提供了一条新的途径。4.对18种高光谱指数进行了比较分析,筛选出了可敏感反映小麦冠层叶片叶绿素含量的光谱指数REP,并对其物理意义进行了探讨。利用指数REP建立了叶绿素含量的反演模型,并采用LS-SVR算法实现了模型的优化。分析表明,指数REP所建立的反演模型在各指数中精度最高(C-R2与p-R2分别达0.751与0.722),且其遥感填图结果与地面实测值具有较高拟合度(拟合模型R2达0.676),是进行小麦叶绿素反演的优选指数。5.提出了可敏感反映小麦冠层叶片含水量信息的新光谱指FD730-955、FD730-1 145与FD730-1330,并对其物理意义进行了探讨。以最优指数FD730-955实现了小麦冠层含水量的反演,并利用LS-SVR算法实现了建模方法的优化。分析表明,指数FD730-955所建立的反演模型校正集与预测集R2分别达0.797与0.820,优于WBI.NDWI与MSI等常用指数的反演结果；其反演模型遥感填图结果与地面实测值回归拟合模型R2值达0.647,具有较高拟合度。表明指数FD730-955可较好地表征小麦冠层的水分信息,是进行含水量反演的优选指数。6.对18种高光谱指数进行了比较分析,筛选出了可敏感反映小麦叶面积指数(LAI)的光谱指数OSAVI,并对其物理意义进行了探讨。利用这一指数建立了LAI的反演模型,并采用LS-SVR算法实现了模型的优化。分析表明,指数REP所建立的反演模型在各指数中精度最高(C-R2与P-R2分别达0.839与0.836),且其遥感填图结果与地面实测值具有较高拟合度(拟合模型R2达0.756),是进行小麦LAI反演的优选指数。