叶绿素是作物光能利用的重要色素,直接影响作物的能量物质转换与传输过程,其含量的变化直接表征作物光合作用的能力,反映作物生长营养状态。运用遥感的方式获取马铃薯的叶绿素含量信息,是一种无损快速高通量叶绿素含量监测方法,能及时有效为农田施肥管理等提供决策参考。论文以北京市小汤山国家精准农业研究示范基地马铃薯为研究对象,并于2018年5月至7月获取试验区无人机多光谱影像和UHD185成像光谱仪数据及马铃薯叶绿素含量地面实测数据。研究了基于无人机多光谱和高光谱数据估算马铃薯叶绿素含量机理和方法。论文的主要研究内容和结论如下:（1）基于无人机多光谱影像,首先提取多光谱影像植被指数、纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,基于Adj.R²和K折交叉验证的全子集分析方法,估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的“图-谱”综合指标,估算叶绿素含量。结果显示,现蕾期,综合指标模型R²比植被指数模型、纹理特征模型分别提升0.104和0.136,而nRMSE降低1.3%和1.6%;块茎形成期,综合指标模型R²比植被指数模型、纹理特征模型分别提升0.04、0.101,nRMSE降低了0.5%和1.2%;块茎增长期,综合指标模型R²较植被指数模型、纹理特征模型提升0.075和0.111,nRMSE降低0.9%和1.3%;淀粉积累期,综合指标模型R²比植被指数模型、纹理特征模型分别提升0.017和0.046,nRMSE降低0.2%和0.6%。结果表明,综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。（2）基于无人机高光谱数据,运用分数阶微分、光谱位置和面积特征等提取敏感微分光谱波段和综合指数参数;基于连续投影变换（Successive Projection Algorithm,SPA）、连续小波分解筛选显著性特征变量。最后,利用逐步回归分析、支持向量机（SVM）和随机森林（RF）等方法对叶绿素含量进行估算和验证。结果显示:1)基于分数阶微分变换的马铃薯叶绿素含量模型,现蕾期和块茎形成期,基于SVM的马铃薯叶绿素含量估算模型精度优于MLR和RF模型精度,块茎增长期和淀粉积累期,基于MLR的马铃薯叶绿素含量估算模型精度优于SVM和RF模型精度。2)基于综合指数参数的马铃薯叶绿素含量模型,现蕾期、块茎形成期和淀粉积累期,逐步回归分析估算马铃薯叶绿素含量最优,较SVM和RF的R²分别提高3%和17%、4%和12%、6%和16%,RMSE分别降低0.34和1.19μg·cm^-2、0.31和0.57μg·cm^-2、0.34和1.15μg·cm^-2;在块茎增长期,SVM估算叶绿素含量最优,其R²,RMSE和nRMSE分别0.71、3.59μg·cm^-2、9.65%。基于特征选择变量的马铃薯叶绿素含量模型,现蕾期和块茎增长期,SPA-PLS模型最优,Wavelet-Step模型次之,块茎形成期和淀粉积累期,Wavelet-Step模型较优,SPA-PLS模型较差。结果表明,现蕾期和块茎增长期,SPA+PLS模型为马铃薯叶绿素含量最优估算模型;块茎形成期和淀粉积累期,综合指数参数+逐步回归模型为马铃薯叶绿素含量最优估算模型。