定量监测植物氮素状况已成为国内外植被遥感的一个重要研究领域。利用快速、无损、准确的方法来估测作物氮素营养状况是精确农业发展的关键技术之一。本研究的目的是以小麦为对象,基于不同年份、不同氮素水平、不同种植密度和不同品种类型的田间试验,运用成像高光谱仪获取小麦近地面的高光谱影像,基于光谱学原理和数学形态学方法,利用光谱和纹理信息,分出未去背景小麦、去背景小麦、光照小麦和阴影小麦四种目标成分,然后运用连续投影算法分别提取出各目标成分的特征波段,并进一步利用灰度共生矩阵获取各特征波段的纹理信息,最后分别构建基于光谱信息、纹理信息、光谱和纹理耦合的小麦叶层氮含量的最佳监测模型,从而为便携式作物成像氮素营养监测仪的研制开发及空间遥感信息的解析利用提供核心波段选择,为小麦氮素营养的实时监测和精确诊断提供有效技术支撑。首先在充分考虑不同生育时期下小麦冠层成像光谱特征和田间生长状况的基础上,利用新型光谱指数分类、纹理分类、光谱与纹理信息相耦合等分类方法,探索近地面高光谱影像地物分类的最佳方法。结果表明,基于新型光谱指数分类法能较好地提取返青期、拔节期、孕穗期的光照小麦和阴影小麦;受麦穗的影响,新型光谱指数分类法不能较好的提取抽穗期的光照小麦和阴影小麦;基于数学形态学的纹理分类虽然能有效地提取返青期、拔节期、孕穗期、抽穗期的纯小麦信息,但不能较好的将纯小麦细分为光照小麦和阴影小麦;将光谱指数分类与纹理纹理相结合能较好地区分小麦各生育期的光照小麦和阴影小麦,与传统的基于光谱信息的非监督分类和监督分类相比,总体分类精度和Kappa系数均有较大提高,且运行时间缩短。研究结果为高光谱影像用于其他作物上的分类提供了参考。基于光谱与纹理信息相结合的分类方法,提取了未去背景小麦、去背景小麦、光照小麦和阴影小麦图像中的均值作为各目标成分的光谱反射率。本研究选取各目标成分在可见光和近红外区域与叶层氮含量相关性最高的波段构建监测模型预测小麦叶层氮含量,其中未去背景小麦、去背景小麦、光照小麦和阴影小麦相关系数最高的波段分别是 635.06 nm 和 938.54 nm,612.20 nm 和 939.87 nm,574.29 nm 和 917.25 nm,570.25 nm和970.60 nm。结果表明,基于去背景小麦单波段的监测模型,其建模集和检验集在可见光和近红外的决定系数R2高于其他目标成分0.05-0.25。为了进一步验证各目标成分预测小麦叶层氮含量的能力,本研究以归一化光谱指数(Normalized Difference Spectral Index,NDSI)、比值植被指数(Ratio Spectral Index,RSI)和差值植被指数(Difference Spectral Index,DSI)为例,构建小麦叶层氮含量的光谱指数监测模型,研究表明基于去背景小麦的光谱指数NDSI、RSI和DSI监测小麦叶层氮含量的预测精度高于其他目标成分,且预测结果的1:1线斜率接近于1。利用连续投影算法(Successive Projections Algorithm,SPA)分别提取了未去背景小麦、去背景小麦、光照小麦和阴影小麦基于小麦叶层氮含量的特征波段,同时获取各目标成分特征波段基于灰度共生矩阵的纹理信息。分别将特征波段的光谱信息、纹理信息、光谱纹理相结合的信息作为自变量,构建任意两波段的最佳植被指数(Normalized Difference Vegetable Index,NDVI、Ratio Vegetale Index,RVI 和 Difference Vegetable,DVI)。研究表明,利用光谱纹理信息相结合构建光谱纹理指数时,基于各目标成分信息监测小麦叶层氮含量的精度均有了较大提高,其中基于去背景小麦光谱纹理信息构建的光谱纹理指数NDSTI监测效果最佳,其校正集和检验集的决定系数R2分别为0.78和0.83,相对根均方差RRMSE和相对误差RE分别为0.11和0.13,相对光谱指数NDSI,去背景小麦校正集和检验集的决定系数R2分别提高了 0.07和0.12,对于纹理指数NDTI,则提高了 0.08和0.11。