高光谱成像技术能同时采集作物的空间信息和光谱信息,是农作物生长信息获取的一种重要方法,在设施园艺蔬菜生长状态监测等方面具有重要的应用前景。然而,随着高光谱成像技术的飞速发展,高光谱图像数据的处理问题正成为一个棘手的难题,将机器学习等现代计算机技术应用于高光谱数据处理成为该领域研究的一个热点课题。但目前该类研究中存在两个重要问题:第一,在数据建模之前缺乏对数据特征良好的分析和预处理工作,并完全依赖于单独的回归模型或分类模型的精度,导致预测结果可能存在较大误差。第二,不同研究对象具有不同的空间特征和光谱特征,没有普适的建模方法,这增加了建模与分类算法的难度。针对上述问题,本论文以设施环境中五种不同光照条件下培养的紫色奶油生菜为研究对象,结合高光谱技术和机器学习技术,构建了嫩叶期、生长期、成熟期三个生长阶段生菜叶片高光谱反射率数据与实测叶绿素相对含量之间的回归模型,并对生菜叶片高光谱反射率数据进行分类研究,具体如下:第一、建立了基于局部加权回归算法、反向传播神经网络的生菜高光谱数据与实测叶绿素相对含量值的回归模型。针对不同生长期、不同光照条件下的紫色奶油生菜的高光谱反射率数据,计算其一阶导数及与实测叶绿素相对含量之间的相关性,并重新组合波段数据,结合局部加权回归算法、神经网络等算法,建立高光谱数据与叶绿素相对含量值的回归模型。建模实验结果表明:对于各个阶段的生菜高光谱数据,反向传播神经网络测试集线性模型误差更低,决定系数更高,优于局部加权回归算法。其中,生长期模型误差最低,达到了1.67,而在嫩叶期决定系数最高达0.98。这一研究表明反向传播神经网络建模方法较适用于高光谱数据建模,且具有误差小、决定系数高的特点。第二、构建了基于K-近邻算法和支持向量机的生菜叶片高光谱数据分类模型。分类实验结果表明,对于各个阶段不同光照条件下的高光谱数据,支持向量机的分类精度更高,成熟期训练集达90.5%,嫩叶期测试集的分类精度达86%,说明支持向量机对生菜叶片高光谱实验数据能进行更有效的分类,反映出不同光照组合对于生菜的生长过程影响较大,与生菜成熟期的化学检测结果基本一致。总之,本论文结合高光谱技术和机器学习技术,对生菜的高光谱数据进行了相应的建模和分类研究。本论文的研究结果为设施蔬菜培养光照组合提供了参考,为生长状态信息监测提供了方法,将为高光谱机器视觉及其在农业领域的应用提供科学依据。