水稻是我国主要粮食作物,其生产过程的精准化管理对提高水稻产量、保证粮食安全具有重要意义。水稻叶绿素含量是精准农业重要的监测因素,其含量对水稻的健康状况、农业灌溉与调控施肥等具有重要意义。随着成像高光谱技术和无人机遥感的发展与应用,使用定量遥感技术精确获取水稻叶绿素含量信息成为可能。为探索有效的水稻叶绿素含量光谱特征（Chlorophyll specific spectral features,CSSFs）与反演建模方法,解决水稻叶绿素含量无人机遥感监测等问题,利用沈阳农业大学卡力玛水稻实验站2018-2020年无人机水稻冠层高光谱数据及地面样本数据,开展试验研究,主要工作包括:（1）分析水稻叶绿素含量光谱响应特性,发现叶绿素含量变化对光谱响应具有显著影响,叶绿素含量越低523～665nm、700～800nm范围内反射率越高;叶绿素含量增加会使700～800nm范围光谱发生红移;在一阶微分光谱中,叶绿素含量越高490～560nm和686～710nm波段的导数值越低;在603～685nm范围内导数值越高,在686～710nm波段范围内,叶绿素含量增加会使一阶微分光谱发生红移。（2）应用光谱响应分析、多种植被指数分析、红边位置提取、正则近邻成分分析（Regularized Neighborhood Component Analysis,RNCA）共获得86个CSSFs,进一步设计了显著性检验和共线性约减的特征优选方法,最终获得13个CSSFs,分别为:光谱响应特征4个:2)、0)、2)和;植被指数特征6个:胡萝卜素植被指数（PRI、PNIR×CRI700）、叶黄素植被指数（PRIm1）、叶绿素植被指数（VOG2、CTRI1、m NDI）;红边位置特征1个:REPLE;正则近邻成分分析特征2个:R715、R707。在RNCA特征提取算法中,当正则化参数为0.306、损失函数为均方根误差函数时,特征选择性能最优。（3）利用粒子群-极限学习机、高斯过程回归、支持向量机回归、多元线性回归等方法构建叶绿素含量反演模型,经过模型精度检验和验证,粒子群-极限学习机精度最高,R~2达到0.831,相比于传统极限学习机模型提高了7.922%;其次为高斯过程回归模型,3种核函数中指数类型表现最佳,R~2达到0.786,平方指数核、二次有理核R~2分别为0.775、0.744。本研究的结果可为基于无人机平台的高通量作物监测提供理论支撑。