小麦赤霉病传染性强、发病率高、从苗期到穗期均可能发生。因此,在小麦生长期间能够及时监测病害发展动态以及在其成熟后能够准确的识别病害籽粒,对于保障我国粮食安全至关重要。传统的赤霉病检测主要包括人工目视和化学生物实验,存在耗时费力、成本高等问题。本文利用高光谱技术针对性的设计了两个新型光谱指数,在麦穗和籽粒两种尺度上对赤霉病进行研究,主要的研究内容如下:（1）对于生长期的麦穗,利用SOC710E成像光谱仪采集图谱数据,对400-1000nm光谱范围内的三个不同年份、品种的样本进行分析,提出了具有通用性的新型光谱病害指数（New spectral disease index,NSDI）。首先,选择梯度提升树（Gradient Boosting Decision Tree,GBDT）对各年份的样本进行波段筛选,并以归一化波长差的形式构成NSDI。进一步特征优化,确认出各年份的最佳单波长后构建新的NSDI,对各年份的病害严重度的预测决定系数（R~2）均达到0.91以上,均方根误差（RMSE）均低于0.069。在实际的工业生产中,精细的窄带滤波片造价昂贵,难以普及。因此本文基于高低权重波段区间为各年份筛选出最佳波段区间,利用最佳波段区间的反射率均值构建NSDI,对病害严重度的预测R~2最高达0.94。由于各年份的最佳单波长与最佳波段区间总体趋近,位于543nm-563nm（对植物叶绿素敏感的蓝绿光区间）、653nm-666nm（对植物病虫害信息敏感的红光区间）,将其设为综合波段区间。以综合波段区间的反射率均值构建NSDI,对三年的样本进行验证,R~2分别为0.95、0.91、0.94。为了进一步验证该指数的有效性,14个常用于病害检测的光谱指数被应用在同样的样本上作为对比,预测效果均低于本文所提的NSDI。尽管不同年份之间的样本具有诸多差异（样本数量、品种等）,但实验结果表明本文所提出的NSDI具有较好的普适性和稳定性,这为开发快速检测小麦赤霉病的多光谱相机提供了重要的技术支持。（2）对于收获后的小麦籽粒,利用PSR+3500非成像光谱仪采集光谱数据,通过分析健康与患病籽粒在350-2500nm波长范围内的光谱差异设计了一种新型光谱分类指数（New spectral classification index,NSCI）。该指数包含反射率和一阶导数两个参数,以归一化波长差的形式构建。为每一类小麦的NSCI值绘制频数直方图,并对每个直方图进行高斯曲线拟合。以高斯曲线的交点为阈值对小麦籽粒进行分类,分类准确度为0.97,敏感性为0.93,特异性为0.99,模型训练时间为15.07秒。同时,该方法可根据实际需要进行调整,以在某个特定的指标（分类精度、灵敏度或特异性）上取得更好的效果。为了进一步验证本文所提出的NSCI的有效性,三种机器学习算法和四个用于赤霉病籽粒分类的光谱指数被应用在相同的样本上作为对比。结果表明,NSCI运行效率高、计算成本低,在分类效率和分类精度方面表现得更加均衡。此外,我们将NSCI应用在其他年份的小麦籽粒数据上,取得了具有潜力的分类效果。该方法在快速简便识别患病籽粒的应用中极具优势。