土壤盐渍化是干旱半干旱农业区土地退化的重要表现，严重影响其生态平衡。高光谱遥感具有波段多、光谱分辨率高的特点，能够提供地物的连续光谱信息，易于识别细微差别，在定量研究土壤盐分含量方面具有较大优势。民勤县位于甘肃省石羊河流域下游，水力资源匮乏，盐渍化问题十分严峻。本研究基于野外实测光谱数据以及实验室光谱数据，通过建立定量模型对土壤盐分含量进行分析，分别讨论了野外实测土壤光谱、野外实测植被光谱（总植被样本、植被Ⅰ类、植被Ⅱ类）和实验室土壤光谱与土壤盐分含量之间的定量关系。由于高光谱数据量大，许多波段间存在相关性，传统的相关分析选择波段容易导致敏感信息的丢失，全谱建模容易造成数据冗余，合理利用有效波段信息建立模型还存在一定的困难，本研究将遗传算法(GA)引入到高光谱领域，对其波段选择能力进行分析，并对比高光谱指数模型、多元逐步回归模型、偏最小二乘回归模型（PLS模型）、遗传算法结合偏最小二乘回归模型（GA-PLS模型）和遗传算法选择波段建立的BP神经网络模型对光谱数据的拟合能力，得出定量估算土壤盐分含量的最优模型。并且，对植被光谱与土壤盐分含量的定量关系进行了深入分析。主要研究内容包括：　　⑴光谱数据与土壤盐分含量之间存在一定的相关性，原始光谱通过预处理之后，与土壤盐分含量的相关性得到增强。其中，倒数变化和对数变化对于原始光谱的处理效果并不明显，一阶微分和连续统去除两种方法均具有良好的处理效果，其中一阶微分变化对野外实测土壤光谱的处理得到了良好的效果，而连续统去除方法对植被光谱以及实验室光谱数据的处理效果较好，相关系数均有所上升。通过曼-惠特尼U检验，野外实测土壤光谱与实验室光谱在600～900nm之间具有相似的分布特征。　　⑵野外实测土壤光谱建立的模型精度结果如下:高光谱指数模型并未达到建模标准，未进行模型预测集的检验;多元逐步回归模型、PLS模型、GA-PLS模型以及BP神经网络模型方法均能达到第二类模型标准，其中，GA算法选择的波段建立的BP神经网络模型效果最优，预测相对偏差RPD为1.89，决定系数R2为0.72，均方根误差RMSE为10.38，模拟值与预测值线性回归的斜率slope为0.74。　　⑶野外实测植被光谱建立的模型精度分别为:总植被样本光谱数据建立的高光谱指数模型建模精度不高，多元逐步回归模型、全谱PLS模型、GA-PLS模型均未能达到第二类模型标准，不能对土壤盐分含量进行预测。BP神经网络模型的RPD为1.57， R2为0.60，RMSE为4.82，slope为0.63，达到第二类模型标准，可以对土壤盐分含量进行粗略的估算;植被Ⅰ类建立的高光谱指数模型与多元逐步回归模型的精度均较低，而全谱PLS模型、GA-PLS模型、BP神经网络模型均达到第二类模型的标准，其中BP神经网络模型预测效果最佳，RPD为1.66，R2为0.68，RMSE为8.33，slope为0.56;植被Ⅱ类样本的光谱数据拟合的各种模型精度均较低，未达到预测模型的标准。　　⑷实验室光谱数据拟合的模型效果较好，其中，高光谱指数模型、多元逐步回归模型以及全谱PLS模型均能达到第二类模型标准，RPD分别为1.63，1.91，1.98;GA-PLS模型和BP神经网络模型均可达到第一类模型标准，其中GA-PLS模型的RPD为2.17，R2为0.79，RMSE为8.65，slope为0.96; BP神经网络模型的RPD为2.25，R2为0.81，RMSE为8.26，slope为0.98。　　⑸模型预测结果从高到低依次为:BP神经网络模型＞GA-PLS模型＞全谱PLS模型＞多元逐步回归模型＞高光谱指数模型。说明GA算法具有较强的波段选择能力，能够去除冗余信息，简化校正模型，BP网络模型对特征波段的非线性拟合能力较强。野外实测土壤光谱、植被光谱、植被Ⅰ类光谱、实验室光谱通过GA算法选择的波段建立的BP模型是反演土壤盐分含量的最优模型，并且均达到预测标准，可以实现土壤盐分含量定量估算。