磷是土壤中非常重要的营养元素之一。获取土壤磷素信息是控制农田磷素面源污染、精确施用磷肥的关键。目前磷的测定多采用传统的化学分析方法。劳动强度大，费时费力，成本相对较高，难以满足农田养分精确管理以及区域土壤磷肥力水平评价的需要。而近红外光谱技术快速无损、简便高效、重现性强且可以大批量获取数据，应用潜力巨大。　　本研究以我国太湖流域广泛存在的水稻土为主要研究对象，筛选了适宜的光谱数据预处理方法和多元校正建模方法，系统探讨了土壤细度、水分含量、土壤类型以及土地利用方式等对水稻土全磷光谱反演的影响，分析了水稻土光谱全磷反演的敏感或者重要波段，并寻求提高混合复杂样本下土壤磷光谱反演精度提高的办法，建立了基于土壤光谱分类的土壤全磷定量反演模型，以及基于多重协变量的土壤光谱综合反演模型。旨在推动土壤磷的光谱反演研究，为今后的土壤磷定性和定量分析研究提供一些方法参考。主要结果如下:　　(1)原始光谱数据的预处理结果表明，土壤磷的预测精度在光谱重采样间隔为10nm时最好。不同光谱预处理方法对土壤磷反演精度的影响不明显，平均窗口平滑、1阶5点S-G平滑、基于1尺度下的db8小波去噪以及S-G和一阶导数结合的方法相对较好。偏最小二乘回归模型(PLSR)在降维效果和建模精度上都较好。利用PLSR结合人工神经网络的方法能提高模型稳定性。　　(2)土壤细度、水分含量、土地利用方式、土壤类型均对光谱全磷反演有较大影响。随着土壤细度的减小，光谱反射率逐渐增大;不同土壤细度下土壤磷光谱反演模型的精度差异较大，1.6mm（过12目筛）及0.22mm（过60目筛）时PLSR模型精度最高。土壤水分含量增加，光谱反射率下降，土壤磷PLSR模型精度亦下降，土壤水分含量较低时的土壤光谱全磷反演结果较好。不同土地利用方式中，稻田的反演精度要高于桃园和菜地，多种土地利用方式混合建模后精度明显下降。不同土壤类型下，黄泥土、乌底黄泥土和乌栅土的土壤磷反演精度较高，白土和乌沙土则较差;不同土壤类型混合建模后，模型精度急剧下降，需要针对不同的土壤类型分别建立模型。　　(3)当反演目标（本研究中为磷）在光谱上不存在显著的吸收峰时，简单相关分析并不能很好地对光谱进行敏感波段筛选，而逐步多元回归法、PLSR回归系数法和基于BP网络的MIV值法则能提供有用的参考。综合以上三种方法，得出土壤全磷光谱反演的重要敏感波段为430-740nm。　　(4)利用PNN神经网络法可实现基于光谱的土壤分类识别，精度可达80-99％。在光谱定性分类的基础上，再进行土壤全磷的光谱定量反演，可提高混合复杂样本下土壤全磷光谱反演的精度。　　(5)土壤磷光谱反演模型中，添加有机质和氮两个协变量可以在一定程度上提高光谱全磷反演模型的精度及稳定性。　　基于以上研究结果，得出本文的研究结论:利用可见-近红外反射高光谱对土壤磷进行反演，对土壤粘粒含量较高的土壤类型（黄泥土、乌底黄泥土和乌栅土）是可行的，但对于土壤粘粒含量较低的土壤类型如白土和乌沙土，则精度较低。