快速,准确,无损地监测植被养分含量,对作物施肥动态管理和长势监测具有重要意义.叶绿素是作物生长发育重要的生物活性成分,与光能利用,大气二氧化碳的摄取,光合等方面都有密切的联系,叶绿素含量的高低直接影响着植株的光合效率和发育状况.而氮素是促进叶片生长的主要养分,也是参与叶绿素形成的关键营养元素.现有研究大多利用多谱段遥感数据构建各种植被指数或3-5个波段的组合估算叶片氮素和叶绿素含量,由于受到波段数量的限制,反演精度很难提高.高光谱遥感可以获取两千多个谱段的植被反射信息,可以更好的表征作物养分含量以及长势信息,是探测植被氮素和叶绿素含量的重要手段.部分学者利用高光谱的曲线特征获取作物养分含量信息,例如红边位置等,但这些模型仅仅利用少部分波段信息,没有充分发挥高光谱数据的多波段优势.因此,本文引入机器学习算法对高光谱多波段信息进行筛选,建立反演模型,实现高准确率地预测作物叶片氮素与叶绿素含量.本研究首先探讨高光谱数据不同降维方法的效果,目的是将高光谱数据间的多重共线性影响降至最低,最大可能的保留全部高光谱有效特征,减少数据冗余;其次,将最优的降维算法耦合到机器学习模型中,建立冬小麦各个生育期高光谱反演模型,还充分研究了多重共线性对不同机器学习模型的影响;最后,将最优的机器学习模型应用于Stacking集成学习模型,并将点位尺度反演推广到区域尺度.本文主要研究结果及结论如下:（1）利用弹性网算法降维可以有效地保留高光谱有效信息,再结合偏最小二乘回归算法进行拟合,可以实现基于高光谱数据敏感波段的高精度玉米叶片氮素含量反演(R~2V=0.96,RMSE=0.17).（2）应用梯度提升回归树算法,建立冬小麦不同生育期的叶片叶绿素含量与高光谱原始波段的非线性反演模型（简记为GBRT）.由于GBRT模型中的“max-features”参数可以调节输入数据的特征个数,达到降维的目的,所以GBRT模型的反演效果更好.成熟期的反演精度为R~2V=0.95,RMSE=3.64.（3）利用一阶微分法对高光谱反射率数据进行转换,可以达到去除背景噪声的目的.应用Stacking集成学习算法,以一阶微分光谱为基础,建立一种用于遥感监测的模型.开展地面尺度和卫星尺度的冬小麦叶绿素含量反演研究,为作物生长发育及大田精细调控提供理论依据和技术支持.