本文是国家重点研发计划“定喷式系统精准灌溉施肥技术与装备研发（2017YFD0201502）”、江苏省农业科技自主创新资金项目“基于作物水肥需求信息的农田灌排智能管控系统（CX（19）2040）”和江苏大学农业装备学部项目“水肥药一体化智能灌溉关键技术及装备”的部分研究内容,在项目的资助下完成。水分是影响作物长势、品质和产量的关键因素,快速实时、无损、精准检测作物水分信息是现代农业发展的必然趋势。作物水分的无损检测技术主要分为非成像和成像高光谱技术。然而,非成像高光谱技术无法获取作物的局部空间信息,不能满足反演作物含水率分布的需求。高光谱成像技术能同时获取作物的图像和光谱数据,广泛应用在作物水分定量检测研究中,但作物冠层高光谱图像分割方法和构建预测模型方法需要不断改进,且基于高光谱技术的预测和应用软件受限于环境背景与作物品种,可推广性低。因此,本文以生菜为研究对象,获取生菜冠层高光谱图像数据,构建生菜冠层的分割方法,建立基于高光谱技术的生菜冠层含水率预测模型。开发基于高光谱图像的生菜品质分析软件,为高光谱成像技术在作物水分快速、实时监测中的应用提供科学依据。主要研究内容及结果如下:（1）生菜冠层高光谱图像分割方法。以生菜叶片与各背景区域的光谱差异性为准则,通过光谱比值法确定3个特征波长,对特征波长图像进行去噪和图像融合处理。对3个特征波长图像、融合图像和经主成分分析得到的PC1图像分别使用单双阈值法进行分割处理,以面积交迭度（AOM）和误分率（ME）为标准评价分割结果。结果表明,多波长图像多阈值分割效果最好,AOM为0.9526,实现了对生菜冠层图像的精准分割。（2）生菜冠层光强校正及可视化研究。采用光照强度校正方法修正了生菜冠层高光谱图像数据,以光强校正前后的生菜样本数据分别建立含水率定量预测模型,分别使用两种模型预测生菜冠层含水率。结果表明,两种模型对生菜整体平均含水率预测结果接近,但对生菜局部叶片预测值差异较大,光强校正后的PLS模型预测值更准,稳定性更高,预测值与实测值的均方根误差为0.9798,说明了光强校正的必要性。（3）生菜冠层含水率定量检测研究。采用标准正态变量变换（SNV）、Savitzky-Golay（S-G）平滑、一阶导数对原始光谱数据进行预处理,结合偏最小二乘法（PLS）建立4个定量预测模型,经对比发现,经一阶导数处理后的PLS模型性能最好,主成分数为7,建模集相关系数Rc为0.8940,均方根误差为1.0164。然后,采用无信息变量消除法（UVE）剔除经一阶导数处理后光谱数据中的无关变量,结合基于最小绝对收缩和选择算法（LASSO）、连续投影法（SPA）、LASSO与SPA算法组合（LASSO-SPA）筛选特征变量,对数据进行降维处理,采用PLS建立5个定量预测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且模型性能最差。UVE-LASSO-SPA算法的降维效果最佳,共筛选出19个特征波长。最后,建立基于全光谱和特征波长的极限学习机（ELM）、最小二乘支持向量机（LS-SVM）定量预测模型。经对比发现,非线性模型的性能全面优于线性模型。其中,基于RBF核函数的UVE-LASSO-LS-SVM模型性能最优,其建模集相关系数为0.9455,均方根误差为0.7407。（4）开发了高光谱图像作物品质预测软件。设计定量预测模块、高光谱图像处理模块和定量建模模块,通过在软件中导入样本路径并设置图像分割方法,可实现多样本高光谱图像数据批量处理。通过选择预处理、变量筛选和回归建模方法,建立作物品质定量预测模型,可供调用预测新样本。研究表明,该软件显著提高高光谱图像数据的处理速度,可用于高光谱图像数据的在线分析和精准预测。