利用无人机搭载高光谱传感器对土壤进行高光谱反演,可快速获取田间尺度土壤养分含量信息,对田间施肥工作提供参考和指导。本文以承德县东小白旗乡自然田块为研究区,以土壤主要养分（有机质、全氮、有效磷和速效钾）为研究对象,以DJI Matrice 600Pro六旋翼无人机搭载Gaiasky mini2-VN高光谱传感器获取研究区域的高光谱影像数据。现场采集72个土壤样品,室内测定各土壤样品各项养分含量,随机选取其中54个用于模型构建,18个用于模型验证。对高光谱影像进行降噪处理后,提取出土壤原始响应光谱并对光谱进行倒数、对数、一阶导数、倒数一阶导数、对数一阶导数变换,基于皮尔森相关系数法对土壤原始光谱反射率和变换后的光谱进行特征波段筛选,基于筛选出的特征波段通过多元线性回归、岭回归、随机森林这三种算法分别构建土壤各养分含量的反演模型,用决定系数R2、均方根误差RMSE和平均绝对误差MAE来对模型进行评价,以筛选出可有效用于田间土壤养分含量估测的土壤养分高光谱反演模型。得出的主要研究结果如下:（1）土壤光谱反射率特征。在398～1003nm范围内,土壤光谱反射率介于0～0.5之间。在398～700nm之间表现为反射率随波长增长而增加;在700～1003nm之间光谱曲线上下波动频繁,反射率虽然时有降低,但降低幅度很小,整体还是呈上升趋势。（2）不同变换形式对土壤养分与光谱间相关性的提升效果不同。土壤原始光谱反射率与有机质、全氮、有效磷及速效钾之间相关性都较低,但在经各种数学变换后相关性都有了不同程度提高。其中对数变换对相关性提升幅度最小,变换后相关性平均提升幅度为0.03;一阶导数变换对相关性提升幅度最大,变换后相关性平均提升幅度为0.27;经倒数变换、倒数一阶导数变换、对数一阶导数变换后,相关性平均提升幅度分别为0.06、0.11、0.13。（3）基于不同算法构建的模型精度不同。在土壤各养分的各反演模型中精度最高的两个模型都是基于随机森林算法构建的,说明随机森林算法在构建高精度高光谱反演模型时是具有一定优势的。但是从统一的评价指标R2来看,基于岭回归算法和各光谱构建的土壤养分反演模型的R2平均值最高,为0.43,高于随机森林算法的0.41和多元线性回归的0.38,可见岭回归算法具有较好的稳定性和可靠性。（4）利用无人机搭载高光谱传感器对不同土壤养分的反演效果不同。土壤各养分含量最佳的反演模型都是基于随机森林算法和一阶导数光谱构建的RF-FDR模型,但各养分含量的最佳反演模型精度水平不同。土壤有机质、全氮、有效磷和速效钾的RF-FDR 模型,R2分别为 0.82、0.86、0.75 和 0.66,RMSE 分别为 1.1 g/kg、0.14 g/kg、11.14 mg/kg和60.43 mg/kg,MAE分别为0.58 g/kg、0.11g/kg、10.12 mg/kg和41.8 mg/kg。通过无人机搭载高光谱传感器来获取农田土壤的高光谱反射率,构建可以有效应用于实际生产中土壤有机质、全氮、有效磷和速效钾含量预测的高光谱反演模型,为田间土壤养分含量快速估测提供了参考和支撑。