土壤速效氮是农作物生长发育过程中的重要营养成分之一,其含量与土壤的有机质含量有关,能够很好的反映出近期土壤氮素的供应情况,快速、准确的获取土壤速效氮的养分信息对于指导精准施肥,促进现代农业的发展具有重要的意义。而传统的土壤养分信息的检测都是采用化学检测方法,对检测人员要求高,存在着检测效率低、成本高、易造成环境污染等问题,已不能满足现代精准农业的发展要求。近年来,由于可见近红外高光谱分析技术具有易操作、无污染等优点,在土壤养分的定量测定方面得到了越来越广泛的重视。本研究针对高光谱技术检测土壤速效氮含量精确度不高的问题,以皖南地区黄红壤土速效氮检测方法为研究对象,重点解决了土壤速效氮高光谱检测模型中的两个关键问题——土壤速效氮检测预处理方法优选问题和土壤速效氮高光谱检测模型优化问题。分析比较了不同预处理方法对土壤速效氮可见近红外(vis-NIR)高光谱预测模型的影响,研究了土壤速效氮的高光谱多模型融合回归预测方法。论文的主要研究内容和结论如下:(1)研究比较了不同预处理方法对土壤速效氮vis-NIR高光谱预测模型的影响。构建了土壤非成像高光谱采集系统,分析了黄红壤土 350-1657nm vis-NIR的经过预处理变换后的平均光谱反射率曲线特征;使用原始光谱与经过不同预处理变换后的光谱(共30种光谱)分别结合线性偏最小二乘回归(PLSR)算法和非线性的偏最小二乘回归算法(RBF-PLSR)进行校正建模。研究结果表明,不同的预处理方法对建模效果具有较大的影响,光谱经SG滤波平滑及其组合算法处理后,可以提高模型的预测性能,但是经过导数及其组合预处理变换后的光谱降低了模型的预测性能,经过多元散射校正及其组合预处理变换后的光谱建立的模型预测性能最差。比较线性和非线性PLSR模型预测效果,线性PLSR的预测效果在整体上要优于非线性PLSR,最后选择了 SG+LG/PLSR校正模型作为土壤速效氮的最优组合校正模型,建模集R2=0.94,RPD=3.88,预测集R2=0.91,RPD=3.38,该模型的预测精度达到了 A类,具有非常好的预测效果,为选择合适的土壤光谱数据预处理校正方法,建立有效的土壤速效氮预测模型奠定了基础。(2)研究了土壤速效氮的高光谱多模型融合回归预测方法。首先分析了黄红壤土 350-1657nm vis-NIR的原始光谱反射率曲线特征,然后利用土壤的可见近红外高光谱(350-1607nm)数据,先基于线性和非线性核函数,通过网格式搜索的参数调优方法,构建了9种不同的预测模型;最后基于集成学习算法将多种模型进行融合,利用随机森林算法作为次级模型进行预测建模。研究结果表明:在模型融合时发现,融合结果并不随着模型数的增加而提高;本研究从9个模型中提取了4个模型,分别是偏小二乘回归(PLSR)、Sigmoid函数的偏最小二乘回归(Sigmoid-PLSR)、支持向量回归(SVR)和Sigmoid函数的岭回归(Sigmoid-Ridge),融合后其土壤速效氮的预测精确度水平达到了最优。多模型融合后土壤速效氮的建模集R2=0.96,RPD=4.89,预测集R2=0.94,RPD=4.16,从准确率、稳定性上与单模型相比都有显著的提高。因此,基于多模型融合的方法可提升土壤速效氮预测模型的精确度和准确率,优化土壤速效氮的高光谱预测能力。