土壤有机质含量与土壤肥力、土壤生态系统以及农业发展密切相关,是土壤质量的关键指标,其含量差异对指导农业生产活动具有重要意义。可见光-近红外高光谱定量分析技术具有工作效率高、实现成本低等优点,可应用于快速获取土壤有机质含量。目前,高光谱土壤有机质定量反演的相关研究,大多是针对单一少量样本集开展。受样本集数量和采样点空间密度的制约,在样本大小、有机质含量分布、建模关键技术、土壤理化参数等方面对有机质反演精度的影响研究具有一定的局限性。随着精准农业的发展,需要更快速、精准的提供土壤有机质含量数据,因此,有必要对可能影响反演精度的潜在因素进行深入研究,并从影响因素的角度着手实现有机质定量反演模型优化,有效提高利用高光谱技术估测有机质含量的反演精度和效率。本文以覆盖欧洲23个成员国的Lucas大样本光谱数据集和黑土区含水土壤样本集为研究基础,首先实现了多种常用的光谱预处理和机器学习建模方法;利用Lucas数据集样本数量多,覆盖范围大,空间异质性强等特点,分析了样本数据特征和建模关键技术对有机质反演精度的影响规律;在此基础上,系统分析了土壤组分中9种典型土壤理化参数含量变化对有机质反演精度的影响规律;针对土壤组分含量差异对有机质反演精度的影响,利用光谱库-光谱滤波方法对局域样本集有机质反演模型进行优化,并将这种方法进一步应用于黑土区含水土壤样本,实现有机质以外的土壤参数影响去除及模型优化;同时,利用多尺度CWT-PCA组合方法,降低土壤水分对有机质反演精度的影响。论文主要研究内容和结论如下:（1）分析了高光谱土壤有机质反演建模中的关键因素对反演精度的影响,为后续进行土壤理化参数的影响分析,建立有机质反演模型和优化提供支撑。首先,提出利用c LHS抽样方法,抽取16个样本大小的样本集,交叉组合4个光谱分辨率尺度、5种预处理方法和4种建模方法,计算4800组有机质反演模型精度,通过MANOVA方法定量分析各因素影响的显著性。然后,再逐一分析每种因素在小梯度变化时,对有机质反演精度的影响规律。研究结果表明:1)有机质含量分布范围越大,反演精度指标中的稳定性R~2增大,但预测误差RMSE也增大;2)样本数量越大则模型越稳定。针对本文中的样本集,有机质含量分布范围为0-8%时,样本数量在400左右可以获得相对稳定的验证集精度;3)光谱分辨率尺度在6-10nm时可以最大幅度的降低模型运算时间且对反演精度影响较小;4)样本数量较小时,预处理方法与建模方法是影响有机质反演精度的最显著因素;样本数量较大时,机器学习方法具有更显著的优势。（2）在考虑反演建模中关键技术影响的前提下,分析了土壤组分中9种典型土壤理化参数含量变化时,对有机质含量反演精度的影响规律,为实现干燥土壤样本集有机质反演模型优化提供方向。应用CR、MSC等7种数据预处理方法交叉结合PLS、SVR等6种建模方法,对氮、磷、钾、砂粒、p H等9种典型土壤理化参数进行光谱特征分析,以及各参数含量变化时的有机质反演精度分析,并提出联合预处理结合PLS-VIP的波段分析方法,对各参数产生影响的波段范围和影响程度进行综合分析。研究结果表明:1)砂粒和粉砂按含量分组,可以获得优于总样本集的有机质反演模型,此时,线性模型能达到与机器学习方法相近的反演结果;2)针对于测试样本集,SVR方法具有更好的适用性,且机器学习方法结合有效预处理方法,在一定程度上能降低由于土壤组分含量差异带来的影响;3)联合预处理结合PLS-VIP方法,可以有效分析各土壤理化参数在含量变化时,对有机质反演模型具有影响的波段范围和影响程度。（3）针对土壤组分含量差异对有机质反演精度的影响,本文将光谱库-光谱滤波方法引入到SVR反演模型中进行优化,以4个具有差异的局域样本集为研究对象,得到预测能力和稳健性更强的有机质反演模型。针对于土壤组分含量差异对有机质反演精度干扰的问题,提出光谱库结合光谱滤波的优化方法,建立EPO、GLSW和YGLSW光谱滤波器,实现土壤组分含量差异影响滤除;同时与通过反演建模关键技术的优化方法,以及添加典型理化参数为辅助变量的优化方法,所建立的有机质反演结果进行对比。研究结果表明:1)对不同数据特征的样本集,没有通用有效的预处理和建模方法,通过多预处理交叉结合建模方法可以获得较好的反演结果;2)添加土壤理化参数为辅助变量可以优化有机质反演模型,其中,以土壤氮含量为辅助变量时优化效果最佳,以土壤砂粒、粉砂、粘土为辅助变量也具有提高精度的效果;3)经光谱库-光谱滤波方法优化的SVR反演模型,应用于4个具有差异的样本集,均可以大幅度提升有机质反演精度。相比于GLSW和YGLSW,光谱库-EPO滤波方法可以获得最佳的反演结果,并且具有较强的适用性。反演结果可以优于以砂粒、粉砂、粘土含量为辅助变量的优化模型。（4）在干燥样本集有机质反演模型优化研究的基础上,进一步对含水土壤样本集的水分影响去除及模型优化策略展开研究,以黑土区含水土壤样本集为研究对象,实现快速、精准的高光谱土壤有机质含量反演估测。分析了土壤水分对光谱反射率和有机质反演精度的影响,将Lucas光谱库-光谱滤波方法进一步应用于黑土区含水土壤样本集,分别建立光谱库-EPO-RF,GLSW-RF和YGLSW-RF反演模型,将黑土区干燥样本集-光谱滤波方法处理后建立的反演模型作为参照,进行对比分析。根据黑土区含水样本集的数据特征,提出多尺度CWT-PCA组合方法降低土壤水分影响,验证了通过反演建模关键技术优化策略,可以有效提高含水土壤有机质反演模型的性能。研究结果表明:1)光谱库-光谱滤波方法同样可以有效的去除土壤水分影响,优化含水土壤有机质反演模型。相比于从干燥样本集中选择基准子集,然后建立EPO、GLSW滤波器的方法,利用光谱库结合EPO、GLSW滤波方法的有机质反演模型性能略差,对参数选择更敏感,但仍可以有效的提高反演精度,并且具有省时省力节约成本的优势;2)本文首次将光谱库-YGLSW滤波方法应用于土壤水分的影响去除研究中,相比于EPO和GLSW滤波方法,该方法仅需要以基准校正集为输入矩阵,在去除土壤水分影响的研究中具有更好的发展;3)多尺度CWT-PCA组合方法可以作为一种快速降低土壤水分影响的光谱预处理优化方法,为精准农业施肥管理提供高效精准的数据支持。