土壤养分含量的整体状况是影响土壤质量变化的基本因素,快速了解果园土壤养分状况对研究果树的生长环境有着重要意义。土壤在为果树生长提供载体的同时,养分含量对果树的生长周期、结果率和质量等还起到决定性作用。本文选择山东省烟台市的蓬莱区和栖霞市苹果园土壤作为研究对象,先后测量土壤有机质、全氮、速效磷、速效钾含量和土壤高光谱反射率曲线。既而采用pearson相关性分析和分段极值法,筛选土壤有机质、全氮、速效磷和速效钾含量的光谱数据特征波长,针对常用的传统模型估测效果不佳等问题,利用卷积神经网络,建立了果园土壤有机质、全氮、速效磷和速效钾含量的高光谱反演模型。主要研究内容和结果如下:（1）土壤样本、养分数据、高光谱数据的采集。在胶东苹果主产区烟台市蓬莱区和栖霞市等106个代表性苹果园进行土壤样本的采集,共采集有效土壤样本151个。用实验室化学法先后测定了研究区土壤样本的有机质、全氮、速效磷、速效钾含量;采用ASD Field Spec 4地物波谱仪对土壤样本进行高光谱探测,探为可见光-近红外连续光谱曲线,每个土壤样本测得20条光谱曲线,均值处理后得到4条曲线。（2）提出一种分段极值法选取土壤不同养分的光谱数据特征因子。对原始光谱数据进行断点校正、异常样本剔除,再进行S-G平滑和9种光谱变换。利用相关性原则分析原始光谱数据及变换后的光谱数据同土壤有机质、全氮、速效磷和速效钾含量的关联性,考虑特征因子数量选择的代表性,避免只考虑相关系数最大值而造成数据重叠,基于覆盖全波段的原则提出一种分段选取相关系数极值的方法来确定不同养分的特征因子作为建模数据。（3）引入反馈机制函数对CNN进行改进,建立基于CNN的土壤养分含量反演模型。通过光谱数学变换,极大相关系数和分段极值法多种方法确定特征因子作为建模数据。在建模时使用SVR对CNN进行辅助训练,根据SVR的训练结果构建新的训练集。引入反馈机制函数,使用该机制促进模型的收敛,进而不断调整学习率和迭代次数,完成对模型的优化。以决定系数和平均相对误差来作为模型的评价指标,将提出的反演模型与采用偏最小二乘回归、支持向量机回归和BP神经网络所构建的模型进行对比分析。结果表明,当使用特征因子进行有机质建模反演时,PLSR模型、SVR模型、BPNN模型和CNN模型的决定系数分别为0.47、0.58、0.61、0.9;进行全氮建模反演时,PLSR模型、SVR模型、BPNN模型和CNN模型的决定系数分别为0.53、0.42、0.52、0.87;进行速效磷建模反演时,PLSR模型、SVR模型、BPNN模型和CNN模型的决定系数分别为0.62、0.41、0.51、0.94;记性速效钾建模反演时,PLSR模型、SVR模型、BPNN模型和CNN模型的决定系数分别为0.57、0.79、0.63、0.95。因此,基于CNN的反演模型预测效果在绝对系数的表现上优于常用模型。