快速准确地测量叶绿素含量不仅可以分析植物的营养状况,还可以判断植物对室内空气净化能力的强弱,因此快速获取植物体内叶绿素含量具有重要意义。以绿萝为研究对象,综合运用高光谱分析技术、图像分析技术、计算机科学等多学科知识,分别研究基于高光谱特征和图像特征（纹理特征与颜色特征）的绿萝叶片叶绿素SPAD值的检测模型,提出基于多特征融合的绿萝叶片叶绿素含量检测模型;在多特征融合的基础上,为了提高模型对叶绿素含量检测的准确性,提出了基于鸽群优化（Pigeon-Inspired Optimization,PIO）的支持向量机回归预测模型,为提高叶绿素无损检测的准确性提供理论参考。主要研究内容如下:（1）数据的获取:通过高光谱成像技术获得绿萝样本的高光谱数据和图像数据;使用叶绿素仪（SPAD-502型）设备采集绿萝样本的叶绿素SPAD值。（2）基于高光谱特征的绿萝叶绿素含量检测:首先对高光谱原始数据的预处理方法进行对比选择,通过交叉验证法得到Savitzky-Golay卷积平滑预处理结果的偏最小二乘回归（Partial Least Squares Regression,PLSR）模型效果最好。使用无信息变量消除法（Uninformative Variables Elimination,UVE）和连续投影算法（Successive Projections Algorithm,SPA）获取绿萝叶片高光谱数据特征波长。在UVE和SPA所选择的特征波长上建立了误差反向传输人工神经网络（Back Propagation,BP）和支持向量回归模型（Support Vector Regression,SVR）,分析结果显示基于SPA的支持向量回归模型效果较好,模型的测试集R2为0.9182,RPD值为2.01。结果证明连续投影算法SPA对高光谱特征筛选效果优于无信息变量消除法UVE。（3）基于图像纹理特征的绿萝叶绿素含量检测:使用灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）对绿萝样本图像提取灰度纹理特征,建立BP人工神经网络和支持向量回归模型,得到基于图像纹理特征的绿萝叶绿素检测模型效果,其中测试集R2为0.8031,RPD为1.91。对绿萝样本图像在RGB颜色空间、HSV颜色空间和Lab颜色空间下提取对应的颜色特征,在三种颜色特征数据上建立回归模型。对比多个回归模型算法效果,得到基于HSV颜色特征的绿萝叶绿素检测模型效果,测试集 R2 为 R2=0.8072。（4）基于多特征融合的绿萝叶绿素含量检测:对高光谱特征、纹理特征和颜色特征分别使用串联融合方法和基于概率分配函数（Basic Probability Assignment,BPA）的D-S证据理论融合,在两种融合特征数据上分别建立BP人工神经网络和支持向量回归模型。对比两个多特征融合回归模型的预测效果,得到基于D-S多特征融合的绿萝叶绿素检测模型效果较好,测试集R2为0.9647,RPD为2.09。（5）基于鸽群优化（PIO）的D-S多特征融合的绿萝叶绿素检测模型:利用莱维飞行特征增强PIO算法的抗干扰性,基于改进后的PIO算法建立SVR模型,模型效果为R2为0.9781,RPD为2.23,均优于其他特征下的绿萝叶绿素检测模型效果。基于PIO优化的D-S多特征融合的绿萝叶绿素检测研究,在传统高光谱模型的基础上,融合图像特征信息,提高了支持向量机回归模型鲁棒性和收缩能力,为植物叶绿素的快速无损检测提供了参考价值,也为农业领域中作物品质的无损检测提供了新的研究思路。