高光谱遥感的出现为植物生化组分的遥感定量反演提供了有效的技术途径。利用高光谱非成像光谱仪在野外或实验室测量植物反射率和透射率，不仅有助于理解航空或航天遥感数据的性质，而且可以模拟和标定成像光谱仪在升空之前的工作性能。植物冠层的光谱特性大部分取决于叶片和土壤的光学特性。遥感方法获得的植物冠层光谱信息的解译需要详细地了解叶片的光学特性。 本研究用便携式辐射光谱仪测量小麦叶片在不同生长阶段的反射光谱，叶片的水分含量用烘干法进行测定，叶片中叶绿素a、叶绿素b和总叶绿素含量用比色法进行测定。使用多元统计方法对小麦叶片的叶绿素a、叶绿素b、总叶绿素和水分等生化组分进行反演。除使用通常的逐步回归分析法外，还使用偏最小二乘方法、人工神经网络法、主成分-人工神经网络法建立小麦叶片反射光谱与生化组分的反演模型。 实验数据-是用便携式辐射光谱仪测量了两个品种小麦叶片在八个不同生长阶段(返青期、拔节期、孕穗中期、孕穗后期、扬花期、灌浆期、乳熟期、腊熟期)的反射光谱。用逐步回归分析方法和偏最小二乘法，在1400～1600nm的光谱范围内，分别建立了小麦叶片中的水分与反射光谱间的反演模型。其相关系数分别为：0.983和0.999，相对标准偏差分别为：2.3％和0.3％。结果表明，偏最小二乘法的结果优于逐步回归分析法的结果。 实验数据二是用便携式辐射光谱仪测量了不同品种小麦叶片在不同生长阶段的反射光谱。在400～750nm的光谱区域，分别用逐步回归分析法、偏最小二乘法、人工神经网络法、主成分-人工神经网络法这四种方法，建立了小麦叶片中叶绿素a、叶绿素b和总叶绿素的反演模型。结果表明：偏最小二乘法的建模结果优于逐步回归分析法，相关系数较高，而相对偏差又较小；人工神经网络法使用逐步回归分析法选出的具有代表性的波长点，所建立模型的相对标准偏差低于逐步回归分析法；主成分-人工神经网络法的主成分数目用交叉证实法来确定，主成分数值由非线性迭代偏最小二乘法求出，其模型最好，相关系数较高，而相对标准偏差较小。