氮元素是苹果树体内一种重要的必需元素,它影响果树体内各种生理生化过程、果树抗性、果品产量、品质以及储藏性状。叶片是整个树体上对土壤矿质营养反应最敏感的器官,苹果树叶片营养分析、诊断技术可以作为苹果树氮素营养盈的依据,一般的作物叶片氮素检测方法主要有田间采样室内化学分析测定法、叶色卡法和基于光谱数据对其进行分析,虽然结果准确可靠,但分析成本高、检验周期长、时效性差。与传统化学分析方法和利用光谱数据对作物叶片氮含量进行分析相比,数字图像处理及机器学习技术具有成本低、可操作性高、时效性好的优点。因此,利用数字图像处理与机器学习技术获取苹果生长过程中叶片的氮素营养状况,可以为苹果园信息化管理、指导精准施肥提供信息支持。苹果树叶片样本于2020年4月-11月（一个完整生长周期）采集,由数码相机在自然光照条件下获取苹果树叶片图像,提取RGB空间下叶片图像色彩特征,利用全自动凯氏定氮仪测定苹果树叶片氮素含量,对叶片图像色彩特征与叶片氮含量进行相关性分析。主要研究工作及创新点如下:（1）在RGB空间下提取不同尺度苹果树叶片图像色彩特征并对其进行优化。使用数码相机在大田环境下采集开花期、幼果期、果实膨大期和成熟期四个不同尺度苹果树叶片图像,应用数字图像处理技术在RGB空间下提取R、G、B各单色分量的值,为避免图像的单色分量参数对氮素表征能力弱的问题,进一步提升基于图像处理技术在RGB空间下对苹果树叶片氮含量监测的准确性,引入R+G+B等14个单色分量色彩组合参数共计17种图像色彩特征。通过主成分分析法对所获取的不同尺度苹果树叶片图像17种色彩特征数据进行降维和分析,得到不相关的新变量,根据选择“特征值”大于1的成分作为提取主成分的原则,提取出不同尺度苹果树叶片氮含量的关键影响因子作为多尺度苹果树叶片氮含量预测模型的输入数据。（2）建立了基于多尺度因子的苹果树叶片氮含量预测模型。分别为:PCA-SVM、PCA-BP、PCA-ELM三种组合模型,输出参数为不同尺度苹果树叶片氮含量,分析对比选出不同尺度最佳预测模型。结果表明,PCA-SVM模型在开花期、幼果期、果实膨大期和成熟期不同尺度中的预测精度均要高于PCA-BP、PCA-ELM两种模型。因此本研究选择PCA-SVM组合模型作为基于多尺度因子的苹果树叶片氮含量的预测模型。通过自适应遗传算法对支持向量机模型惩罚参数C和核函数的宽度参数σ进行优化。利用优化后的氮含量预测模型进行田间试验验证。