土壤养分含量作为测定土壤肥力的重要指标,对作物的生长发育具有显著的影响。有机质、碱解氮等养分含量的传统获取方法存在检测难、速度慢和成本高等一系列问题;高光谱技术作为当前定量遥感的重要技术,其在土壤养分含量的定量估测应用已成为研究热点。目前全国范围内对测土配方施肥的需求越来越高,期望能够快速准确的获取土壤养分含量,提高土壤养分的监测效率,从而为作物生长和精准农业的发展提供重要的依据。本研究以山东省青岛市平度地区农田土壤为研究对象,采集2020年6月份的116份土壤样品,在实验室中使用传统化学方法测取土壤有机质和碱解氮的养分含量数据,并利用ASD Field4地物光谱仪在室内获取土壤样品反射率曲线。在分析土壤养分含量及光谱反射率分布特征的基础上,结合（Savitzky-Golay,SG）平滑算法,对光谱反射率进行10种变换形式的预处理（对数、倒数、平方根、对数的倒数、原始光谱一阶微分、对数的一阶微分、倒数的一阶微分、平方根的一阶微分和对数的倒数一阶微分）,选用相关系数法筛选出土壤有机质和碱解氮的特征波段,利用BP神经网络（B PNN）、多元线性回归（MLR）和偏最小二乘法（PLSR）三种建模方式分别构建土壤有机质和碱解氮的土壤养分含量预测模型,并对模型的精度进行了验证。主要研究结果如下:（1）对实验区土壤有机质、碱解氮含量进行统计分析得出,实验区土壤有机质、碱解氮含量均处于第三等级（中等以上水平）;从变异系数的结果来看,所有土壤样本的有机质和碱解氮含量的变异系数属于中等变异水平。（2）全部土壤样品的光谱反射率曲线大体一致,且光谱反射率值在0-0.6范围内。反射率曲线在350nm-2500nm间存在一定的不稳定性,且前波与后波之间具有相对较好的正相关性。（3）利用相关分析法挑选特征波段时。结果显示,10种光谱预处理的转换形式中对数的倒数的一阶微分（1/lg R）’预处理方式表现最好,其处理后的光谱反射率与土壤有机质和碱解氮含量的相关系数的峰值点最多且最明显,其相关系数最大值分别达到了0.61和0.59。最终选择以（1/lg R）’和有机质、碱解氮含量相关系数的峰值点所在波段分别作为土壤有机质、碱解氮含量的特征波段。（4）基于筛选出的特征波段,利用MLR、BPNN和PLSR三种方法分别构建土壤有机质和碱解氮的养分含量估测模型。由建模结果可知,两种养分含量的三种模型的建模精度和验证精度R2降序排列均为BPNN>MLR>PLSR,可以看出非线性建模方法BPNN的预测模型精度要优于线性模型PLSR和MLR模型的预测精度。其中基于BPNN的有机质估测模型验证精度R2、RMSE和RPD分别为0.8086、3.7772和2.2630,基于BPNN的碱解氮估测模型验证精度R2、RMSE和RPD分别为0.7706、16.7541和2.0542。利用BPNN构建的两种养分含量估测模型验证集的相对分析误差（RPD）均大于2,说明经过BPNN所构建的模型对实验区土壤有机质和碱解氮含量具有较好的估测能力,BPNN为优选的最佳模型。