土地是人类生存发展所必须依赖、不可取代并且不可再生的重要基础资源。其数量的有限性和供给的稀缺性，决定了我们要充分利用土地资源。土壤有关信息的准确获取是现代农业中进行精确管理、精准施肥的前提，是保证农业生产的重要基础数据信息。传统养分测定方法有诸多缺点，比如：速度慢，精度低等，高光谱技术的波段多、光谱分辨率高、可以获得连续的光谱图像，因此，为土壤有机质含量的监测提供了有利的手段。本文以陕西省横山县采集的土壤样本以及国家自然科学基金项目“成像光谱技术在土地动态监测评价中的应用”（项目编号：40271007）为研究基础，获取土壤反射率和有机质含量的高光谱数据，采用线性回归、神经网络、模糊识别方法建立土壤有机质高光谱估测模型并进行探讨。首先分析了不同类型、不同有机质含量的土壤有机质的高光谱特性，以及土壤有机质和含水量对土壤光谱反射率的交互影响。得出如下结论：土壤的反射率随着土壤类型的不同而改变；对于同一类型的土壤，土壤反射率与有机质含量呈负相关关系；土壤有机质与含水量对土壤光谱反射率确实有一定的交互影响。然后对原始数据进行光谱数据变换，并且绘制了相关系数图，对比发现经过对数一阶微分变换之后的数据与土壤有机质含量在个别波段上的相关性明显增强，选择该变换方法作为原始反射率的变换方式；根据单相关分析并比对数据变换前后相关系数的变化来确定反演因子，最后选择393nm，443nm，502nm，1453nm，1936nm以及2186nm波段的数据作为土壤有机质含量高光谱估测模型研究的反演因子；通过建立散点图的方式以R2达到较大值为原则进行异常样本的剔除。最后，本文建立了土壤有机质含量模糊贴近度反演模型，并与线性回归以及神经网络模型的结果进行对比显示，线性和神经网络模型精度基本一致且较低；而采用模糊贴近度反演模型的精度均较高，最低的也达到了89.71%，其余均大于90%；此外，根据光谱反演影响因子的多样性以及有机质含量的动态性提出了区间值模糊反演模型,预测结果为6个样本的预测区间准确，1个存在误差，存在误差的样本偏差为3.22%。这说明模糊识别方法可以有效的解决非线性以及模糊性等问题，将模糊识别方法用于土壤有机质含量预测是可行的。