为探索一种实时、快速、自动化的水稻叶片磷含量估测方法,本研究借助RGB图像处理和高光谱的技术与理论,揭示反映水稻生长状况的叶片磷素含量与叶片特征、光谱反射率之间的关系及规律,筛选叶片特征参数与敏感波段。采用数理统计分析及机器学习建模等手段,构建基于叶片颜色、形状、纹理特征的水稻叶片磷含量定性估测模型和基于叶片光谱反射率的水稻叶片磷含量定量估测模型,为水稻磷素营养状况的实时监测与进一步的水稻田间管理、磷肥高效施用提供关键技术支撑和理论基础。主要研究结论如下:（1）揭示了不同磷水平下水稻叶片特征的变化规律。在颜色特征中,水稻叶片红光值、绿光值、饱和度、亮度值随着叶片磷含量的增加而减少,色调值随着叶片磷含量的增加而增加;形状特征中的离心率随叶片磷含量增加而减少;纹理特征中的对比度随着叶片磷含量的增加而降低。在水稻过量吸磷时,叶片特征不再有显著变化。（2）明晰了不同磷含量水稻叶片的光谱响应特征。在780-1300 nm的波段区间内,水稻叶片光谱反射率随磷含量的增加而增加,二者之间的相关性达到极显著水平（p＜0.01）,确定近红外波段比可见光波段更适合估测水稻叶片磷含量。（3）构建并确定了水稻叶片磷含量最佳定性估测模型。支持向量机模型在本研究所使用的4种机器学习模型中表现最优,模型的精确率、召回率、F1分数3个评估指标均为各模型中最高,其分别为0.906、0.889、0.897。极度缺、中度缺、足量磷水平的估测精度分别达到93%、76%、97%。（4）构建并确定了水稻叶片磷含量最佳定量估测模型。通过波段优化所构建的9个光谱指数中,基于一阶微分光谱的差值光谱指数DSI(λ2271,λ996)预测精度最高,决定系数达到0.59。构建的6种机器学习定量估测模型中,非线性模型表现优于线性模型,其中基于连续小波变换光谱的随机森林模型的决定系数达到0.76,均方根误差、相对分析误差分别为0.49、2.02,且模型简约性最优。