随着精准农业理念的深入，如何对农作物合理的施肥一直是众多农业专家研究的焦点。氮素是农作物生长过程中重要的营养元素之一，在我国农业生产中主要依靠人们施加氮肥满足农作物的需求。因此在农作物生长过程中及时进行氮素的丰缺诊断对合理施肥具有指导意义。本文以生菜叶片为研究对象，利用高光谱图像技术对其叶片的氮素丰缺进行诊断。具体工作如下:　　(1)以无土栽培的方式培育出缺氮、正常、过氮的生菜样本，采摘生菜（莲座期）叶片后，及时采集样本的高光谱图像，为后续理论研究打下基础。　　(2)从生菜叶片的高光谱图像中提取光谱信息，经过光谱预处理和主成分分析进行特征提取，然后用多种分类算法与光谱信息结合建模和模型验证，其中极限学习机(Extreme Learning Machine，ELM)识别效果最佳，识别正确率为95.24％。　　(3)从生菜叶片的高光谱图像中提取主成分PC1和PC2图像的纹理特征在此基础上根据主成分PC1和PC2图像在各波长的权重系数，确定563.78nm、680.86nm、713.04nm为特征波长，从特征波长图像中提取纹理特征数据，经实验证明利用高光谱主成分图像的纹理特征信息和特征波长图像的纹理特征信息分识别模型效果都不理想，且前者的识别率比后者还要低。　　(4)基于上述研究，本文以提取的光谱特征信息、主成分图像的纹理特征信息以及特征波长图像的纹理特征信息进行三种方式的特征层融合。其中光谱特征与特征波长图像纹理特征的融合信息与ELM算法构建的模型识别率为100％，与算法结合构建的模型识别效果不仅高于其他两种信息融合的方式，且比单一信息模型识别率高。　　结果表明利用高光谱图像技术对生菜氮素水平进行丰缺诊断的思路是可行的，对其他农作物的营养成分的丰缺诊断具有借鉴意义。