随着人口数量的增长,对水稻的需求量日益增大,水稻生长状况和产量问题成为研究的热点,其中影响作物生长最主要的因素是叶绿素,叶绿素的含量能准确反映水稻的长势状况并能估算水稻的产量。传统叶绿素分析方法采用化学试验进行获取,其具有破坏性、耗时长且成本高,高光谱技术利用高光谱波段对作物的叶绿素值进行反演,快速、无损且研究范围广,高光谱技术的发展为上述问题提供了很好的解决方法,本研究采用高光谱技术对水稻叶片叶绿素含量进行反演,光谱波段的冗余会对数据的处理造成不便,本研究重点对高光谱数据进行降维,依据降维后的光谱波段建立估算叶绿素的模型,对传统问题的弊端进行改善。本论文对辽宁省沈阳市沈阳农业大学的卡力玛院士工作站获取的数据进行分析,首先对水稻叶片高光谱数据进行降维,其次依据降维后的数据建立估算叶片叶绿素含量的回归分析模型以及BP、RBF和GA-BP神经网络模型。本文主要的分析研究内容如下:(1)针对高光谱数据的高维特性所涉及的问题,应用四种降维方法即植被指数、主成分分析法、SPA特征波段提取以及基函数展开法对本文研究的736组叶绿素敏感的400～1000nm波段进行数据降维,降维的方法如下:对光谱数据采用两两波段随机组合构建了植被指数NDVI、RVI、DVI和RDVI,发现NDVI以及DVI的最佳光谱波段均为538和698nm,相关系数依次为0.699和0.679,DVI最佳光谱波段为504和708nm,相关系数为0.662;应用主成分分析法找到波段的主成分,发现前9个主成分的累积贡献率已达到99.928%,这说明这9个主成分能很好的概括原始变量,使400～1000nm波段的601维数据降到9维;SPA特征波段提取法最终筛选的波段为538、678、691和711nm四个波段,使400～1000nm波段的601维数据降到4维;应用基函数展开法对叶绿素敏感的400～1000nm波段进行Gram＿Schmidt变换找到投影空间,构造集中波段信息的主基底进行光谱数据降维,使其从601维降到48维。(2)依据四种降维方法降维后的光谱数据建立估算水稻叶片叶绿素含量的回归分析模型与BP、RBF和GA-BP神经网络模型,并进行对比分析。结果表明基于基函数展开构建的水稻叶片叶绿素含量回归模型训练集R~2为0.688,RMSE为1.26,验证集R~2为0.692,RMSE为1.20,是高光谱反演水稻叶片叶绿素含量估算回归模型中的最优模型;基于基函数展开构建的水稻叶片叶绿素含量GA-BP神经网络模型为神经网络模型中的最优模型,训练集R~2为0.736,RMSE为1.02,验证集R~2为0.755,RMSE为1.01;上述两种最优模型相比,基于基函数展开构建的水稻叶片叶绿素含量GA-BP神经网络模型为所有模型中最优的。