土壤是人类生活和农业生产的支撑和基础，土壤有机碳是土壤中重要的成分，也是影响土壤质量的一个关键因素,因此对土壤有机碳的研究一直是土壤学界的热点。伴随着高光谱技术的不断前进，高光谱是测量土壤有机碳的新型方法，是在未来土壤研究的一个重要手段。　　本文主要探究非线性模型对土壤有机碳含量反演，通过对丰乐河流域土壤样品的室内光谱测量和化学方法测定作为研究数据源，再对测量的原始高光谱曲线数据进行光谱数据的平滑去噪处理以及一阶微分变换、连续统去除变换等光谱预处理，分析在经过两种变换下的数据和原始高光谱数据体现的光谱信息，最后将这三种数据通过非线性模型（支持向量机和BP神经网络）进行有机碳含量的估算，对比两种线性模型（多元逐步线性回归和偏最小二乘回归），探究模型的反演精度和能力。主要结论如下：　　（1）高光谱曲线在整个光谱波段内较为平缓，反射率随其波长的变化而变化，从可见光到近红外，反射率在逐渐增大。土壤有机碳影响着整个波段的光谱特征，尤其是可见光部分。在可见光范围内，反射率的增加伴随着波长的增加而上升的较快；在近红外范围内伴随着波长的不断增大，反射率增速反而减弱，曲线趋于平缓。　　（2）在经过移动平滑法的处理之后，可以使曲线在保持其本身基本特征的同时达到了降低光谱噪声的效果。其光谱数据在0.188-0.400um和2.30-2.50um波段范围内的噪声比较明显，对光谱数据进行光滑，明显去除了“毛刺”现象，使得光谱曲线更加平滑。原始光谱数据经过一阶微分和连续统去除变换能够在某些方面突出其光谱特征信息。一阶微分变换后的光谱曲线在整个0.4um-2.3um波段之内，表现出了明显的光谱反射特征，在水汽吸收波段1.4um、1.9um以及2.2um附近，有着明显的水汽吸收谷；在1.0um-2.3um波段之间，重叠混合部分的光谱差异得到了扩大，原始光谱中的细节吸收谷和吸收峰得到了突显。连续统去除使得在可见光0.42um和0.48um波段周围有两个又窄又深的吸收谷，0.80um-1.10um波段处出现一个又宽又浅的吸收谷，三个水汽吸收带1.40um，1.90um，2.20um更加的明显。　　（3）在非线性模型中，BP神经网络相较于支持向量机，其建模的稳定性和预测精度都稍高于支持向量机模型；BP神经网络和支持向量机模型关于对有机碳含量估算的误差值都较大，建模效果都不是很理想，但是经过优化的BP神经网络对有机碳含量的估算的精度和稳定性显著提高，与线性的两种模型相比，其模型的精度和稳定性都更好，说明非线性模型具有一定的预测提升空间，主要是由于非线性模型算法和自身的一些局限性所致，故非线性模型的研究较为复杂，需要具体问题具体分析，是未来的研究重点。