地上生物量（above-ground biomass,AGB）是反映作物生长状况的重要指标之一,可以用来预测作物产量。传统的植被指数和纹理特征常被用来估算作物前期的生物量,但其对作物整个生育期的预测效果不佳,特别是在后期阶段。因此,本研究比较分析了最佳光谱特征、最佳纹理特征及其图谱融合特征对不同生育期内小麦地上生物量的估测能力。研究内容如下:（1）利用光谱特征结合多元分析方法建立小麦生物量预测方法。2013年10月至2014年6月对不同小麦品种进行了实验,利用近地光谱仪获取了苗期、拔节期、抽穗期、开花期、灌浆期共200个样本的冠层光谱反射率。首先利用多元散射校正（Multiplicative Scatter Correction,MSC）和（Savitzky-Golay,SG）平滑技术对原始光谱进行预处理,得到400-1000nm范围内的目标反射率光谱;接着采用连续投影算法（Successive Projections Algorithm,SPA）从目标光谱中提取所需的特征波长（Effective Wavelength,EW）;同时,计算了对小麦生物量高度敏感的六种植被指数（Vegetation Indices,VIs）,并用线性模型分析了各生育阶段中的植被指数与小麦生物量之间的相关关系。最后将文中选择的光谱特征与K最近邻（k-Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）、线性回归（Linear Regression,LR）、随机森林（Random Forest,RF）、偏最小二乘回归（Partial Least Squares Regression,PLSR）等多元分析方法相结合建立小麦生物量预测模型。结果表明,在苗期阶段,光谱反射率（Rv~2=0.83,RMSEv=0.02）、特征波长（Rv~2=0.89,RMSEv=0.01）、植被指数（Rv~2=0.8,RMSEv=0.02）及其光谱融合特征（Rv~2=0.81,RMSEv=0.03）对小麦生物量的预测精度均取得了较好的结果;但在后期阶段中,基于光谱特征的小麦生物量预测性能均明显下降,其中基于特征波长结合线性回归模型（LR）的小麦生物量预测精度最高（Rv~2=0.73,RMSEv=0.07）,说明基于单一光谱特征预测小麦生物量的适用性有待提高。（2）利用图谱融合特征结合多元分析方法预测小麦生物量。通过数码相机获取苗期、拔节期、抽穗期、开花期、灌浆期共200个小麦冠层图像,利用ENVI软件提取小麦冠层图像感兴趣区域（ROI）,并在RBG三个波段上计算基于灰度共生矩阵的8个纹理特征(均值（Mean）、方差（Var）、协同性（Hom）、对比度（Con）、相异性（Dis）、熵（Ent）、二阶矩（Sem）、相关性（Cor）;同时通过对纹理特征进行归一化处理,得到新的归一化差分纹理指数（Normalized Difference Texture Index,NDTI）,为避免发生多元共线性问题,本文选择随机森林计算图像特征重要性,并选取其最优子集作为最优纹理特征。为进一步探索图谱融合特征对小麦生物量的预测潜力,本文将特征波长（Effective Wavelength,EW）、植被指数（Vegetation Indices,VIs）与最优纹理特征子集（Optimal Texture Subset,OTEXS）、最优NDTI子集（optimal normalized difference texture index subset,ONDTIS）两两融合得到图谱融合特征与KNN,SVM,PLSR,RF,LR相结合,建立基于单一图像特征、图谱融合特征的小麦生物量预测模型。结果表明,在各个生长阶段中,大部分纹理特征和NDTI与小麦生物量的相关性存在巨大差异;虽然经过特征重要性筛选出的最优纹理特征子集（Rv~2=0.73,RMSEv=0.06）和最优NDTI子集（Rv~2=0.74,RMSEv=0.07）在小麦后期生物量预测精度有所提高,但是其预测精度并不理想;而基于图谱融合特征的小麦生物量预测精度在后期阶段有了明显提升,其中最优纹理特征子集与特征波长在小麦后期生物量预测精度最高（Rv~2=0.78,RMSEv=0.05）,与单纯使用光谱特征相比,在小麦三个生长阶段中基于图谱融合特征的AGB预测精度分别提高了5.6%、6.8%和4.8%。综上所述,图谱融合特征能够有效提高小麦生物量预测模型的精度。总之,本文采用光谱特征与图像特征以及图谱融合特征探索了多元分析方法对小麦生物量预测的有效性。证明图谱融合方法在小麦生物量预测方面的作用,为精准农业中作物生物量的精准监测提供了理论基础和实践探索。