土壤交换性阳离子是衡量土壤质量和环境净化潜力的基本指标,为耕地农作物的生长质量提供保障。同时,土壤阳离子能影响金属元素以及有机污染物的离子吸附和解吸,具备隔离污染的潜力。而目前利用遥感技术进行定量反演土壤参数主要集中在如土壤有机质、土壤重金属、土壤水分等土壤成分,对土壤交换性阳离子进行相应的研究相对比较少见。因此,探讨快速准确的土壤阳离子预测方法对监测土壤质量状况和污染防治和控制具有非常重要的意义。而高光谱遥感技术的发展使得土壤阳离子含量监测的需求得以实现。在研究中,以广东省为例,对95个土壤样品进行构建土壤交换性阳离子含量的预测模型。首先通过实验室化学分析方法测量土壤样品中四种土壤阳离子:钙(Ca2+)、钾（K+）、镁(Mg2+)和钠(Na2+)的含量,同时利用地物光谱仪收集光谱反射率数据,并对土壤光谱数据进行预处理;其次对土壤阳离子与光谱指标之间的关系进行分析;第三步则是利用多元线性逐步回归分析法（Multiple Linear Stepwise Regression,MLSR）、Boruta算法和连续投影算法（Successive Projections Algorithm,SPA）对光谱指标进行特征波段筛选;第四步,以波段筛选的结果为自变量,土壤阳离子为因变量,利用后向传播神经网络算法（Back Propagation Neural Network,BPNN）、遗传算法优化后向传播神经网络算法（Genetic Algorithm-Back Propagation Neural Network,GA-BPNN）和随机森林（Random Forest,RF）回归模型,建立了研究区四种土壤阳离子(Ca2+、K+、Mg2+和Na2+)的高光谱预测模型,并以决定系数（R~2）、相对均方根误差（Relative Root Mean Squared Error,RRMSE）以及相对预测偏差（Residual Prediction Deviation,PRD）为评价指标,找出最优的土壤阳离子高光谱预测模型。最后,以建模效果最佳的一种阳离子为例,探索利用最佳波段选择方法和建模方法,借助环境一号高光谱卫星影像获取该离子的空间分布图的可行性。主要结论有:（1）通过数学变换的方式将原始光谱进行一阶微分、二阶微分以及倒数对数等变换后,发现相关性系数有不同程度的提高。其中,反射率一阶微分比其他的光谱指标对光谱信息的捕捉能力更突出,最大相关性绝对值都达到了极显著性相关水平。（2）本研究中土壤钙离子的最优预测模型为Boruta-RF模型,其验证结果的R~2、RRMSE和PRD分别为0.850,26.27%和2.332;土壤钾离子的最优预测模型为Boruta-GA-BPNN模型,其验证结果的R~2、RRMSE和PRD分别为0.803,29.49%和2.201;土壤镁离子的最优预测模型为SPA-RF模型,其验证结果的R~2、RRMSE和PRD分别为0.903,21.00%和2.862;土壤钠离子的最优预测模型为Boruta-RF模型,其验证结果的R~2、RRMSE和PRD分别为0.827,29.99%和2.118。这说明采用Boruta、SPA算法和非线性模型方法相结合来预测土壤阳离子含量是可行的。从四种土壤阳离子的高光谱预测模型的效果来看,Mg2+离子是预测效果最好的。（3）本研究利用了SPA算法和RF回归模型实现了基于“环境一号”高光谱影像对土壤交换性镁离子的空间分布制图。经过验证,获得的R~2为0.709,RRMSE为31.93%,RPD为2.303,这说明可以利用SPA算法和RF回归模型实现区域上的土壤镁离子的预测。