土壤有机质作为评价土壤肥力的重要指标之一,对于农业产生力评估和农作物耕地规划具有重要影响。传统的土壤养分检测方法费时费力,快速准确地获取土壤有机质含量并作为土壤肥力分析和精准施肥的依据具有重要意义。随着高光谱技术的不断发展,利用高光谱数据进行土壤养分含量的快速预测已经成为研究的热点之一。本文以黑龙江省佳木斯市富锦市七星农场为研究区,以2019年6初月采集的某耕地内土壤样本为研究对象,在实验室利用便携式地物高光谱测量仪ASD FiledSpec4测量土壤光谱数据,以实验室化学分析得到的有机质含量为真实值,进行高光谱预测。将获取的高光谱数据进行预处理后,进行光谱特征和有机质含量的综合分析,大致确定了有机质含量的特征波段范围。对光谱反射率进行14种光谱变换,采用相关系数法和多元逐步法提取有机质含量的特征波段,建立基于两种特征波段提取方法和14种光谱变换的偏最小二乘回归模型,得出相关系数法在一定程度上可以提取出有机质含量的特征波段范围,但提取的特征波段的位置只是单相关分析的结果,对于波段之间的影响体现不足,单纯依赖相关性的大小确定特征波段并作为建立模型的自变量存在一定的局限性。而基于多元逐步法和反射率对数一阶微分的模型精度更高,作为建模的主要数据基础。针对粒子群算法在整个迭代过程中平衡全局搜索和局部搜索的能力的不足,对粒子速度和位置更新过程中的主要参数之一,惯性权重,在前人研究的基础上进行了改进,提出了一种基于个体最优适应度值的惯性权重调节策略,增加了惯性权重的多样性,使得粒子群算法的全局搜索和局部搜索的能力得到平衡,提升了算法的寻优性能,并将该算法与三层BP神经网络模型向结合,增强了网络的全局搜索能力,使模型的预测精度更高,泛化能力更强。本文利用土壤高光谱数据,采用多种特征提取方法和建模方法,经过模型精度的评价,优选出了一种土壤有机质高光谱预测的模型,为高光谱数据在土壤成分快速精准预测以及精准农业发展提供了新的技术流程,为高光谱遥感的应用与发展提供了新的思路。