土壤有机质为农作物的生长提供养分,且在全球碳循环和农业活动中起着重要作用。高光谱遥感技术,因其波段多、分辨率高、数据量大和信息丰富,为实时高效地监测土壤有机质含量提供技术支撑。卷积神经网络（Convolutional Neural Network,CNN）已在土壤有机质估测中得到应用,但存在模型拟合精度和预测精度不同步的问题。因此,本文以山东省济南市章丘区和济阳区为研究区,以采集的121个土壤样本的有机质含量和室外光谱数据为基础,建立基于卷积神经网络和模糊识别（FCM）的土壤有机质含量高光谱估测模型,以提高估测精度。主要研究内容及结论如下:（1）确定了章丘区和济阳区土壤光谱数据主成分为充分利用土壤光谱信息和数据降维,采用主成分分析法（Principal Component Analysis,PCA）,利用SPSS软件进行PCA操作,选取光谱的主成分。结果表明,36个主成分的累积贡献率最高达到99.99%,几乎包含了所有原始特征信息。（2）建立了基于卷积神经网络的土壤有机质含量高光谱估测模型以卷积神经网络理论为基础,建立基于卷积神经网络的土壤有机质含量高光谱估测模型。首先将土壤光谱的主成分转化为四维光谱信息数组,然后通过实验模拟调整各项参数及网络结构,最后得到最优估测模型。结果表明:当模型采用1个3×3的卷积核,1个平均池化层,1个完全连接层,且网络迭代600次时,卷积神经网络模型达到最优预测效果,其中19个检验样本估测结果的决定系数R~2为0.841,平均相对误差为7.123%。（3）建立了基于CNN-FCM的土壤有机质含量高光谱估测模型为克服卷积神经网络在预测中的不足,以卷积神经网络理论和模糊识别理论为基础,建立基于CNN-FCM的土壤有机质含量高光谱估测模型。首先,利用土壤光谱的主成分构建四维光谱信息矩阵,然后使用CNN卷积层提取光谱数据的特征信息,将CNN卷积层输出的特征信息分别作为CNN和FCM输入的特征向量进行估测,通过优化模型参数和结构得到最优估测模型,最后分别计算出CNN和FCM的估测结果,并依据两个结果的内在关系建立融合模型。结果表明:当CNN模型结构为一个3×3的卷积核,一个尺度为2×2的平均池化层,一个完全连接和输出层,FCM模型中模糊分类数为10,且使用线性函数建立两结果的内在关系模型时,模型估测精度最高,其中R~2为0.896,MRE为5.464%,均优于CNN、FCM、MLR、SVM以及BP神经网络模型。研究表明,CNN-FCM估测模型避免了传统建模方法中复杂的预处理操作,在保证模型高精度拟合和运算速率的同时,也保证了模型的高精度估测,同时有效克服了异常样本点的影响,使估测精度相较于传统模型明显提高,为土壤有机质含量的估测提供了一种新思路。