叶面积指数(1eaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义。为了探索不同高光谱模型监测烟草LAI的精度,采用盆栽试验,在烟草伸根期,旺长期和成熟期,通过ASD Fieldspec HH光谱仪测定了不同水氮条件和品种下烟草冠层的高光谱反射率,并统计相应的叶面积指数数据。选用4个常用的植被指数RVI(ratio vegetation index)、NDVI(normalized difference vegetation index)、MTVI2(Modifiedsecond triangular vegetation index)、MSAVI(Modified Soil-adjusted vegetation index)和PCA(principal component analysis)、neuralnetwork(NN)3种方法对烟草LAI进行了估算,比较分析了3种方法的估算结果。结果表明,植被指数法,主成分分析,神经网络方法LAI都取得了较为理想的结果,其中植被指数法可以较为精确反演烟草LAI,验证模型确定性系数在0.768—0.852之间,主成分分析方法和神经网络方法精度较高,分别为0.938和0.889。主成分分析方法验证模型的稳定性更好,其验证模型的RMSE(root mean square error)为0.172,低于4个植被指数和神经网络。MTVI2和MSAVI能较好地去除土壤、大气等条件影响,反演精度高于RVI和NDVI。与基于植被指数建立的模型相比,主成分分析和神经网络可以更好的提高LAI的反演精度。