【目的】针对随机森林算法在树木水分预测模型中高维度变量筛选困难及精度较低的问题，研究基于递归特征消除（RFE）与随机森林（RF）融合算法，构建幼龄沉香可见光图像与叶片含水率的估测模型，探索适合幼龄沉香生长的水分条件，以期为实现沉香幼苗水分亏缺程度的无损监测提供可行的参考方法。【方法】以2年生的名贵树种沉香为研究对象，用相机获取4种不同水分梯度下的幼龄沉香可见光图像，提取15种图像特征，利用递归特征消除法筛选沉香叶片最优的图像特征子集，然后结合随机森林算法构建沉香叶片含水率的预测模型，最后利用十折交叉验证法，将RFE＿RF模型与常规随机森林（RF）以及最小二乘法支持向量机（LSSVM）相比较，检验模型的可行性。【结果】递归特征消除和随机森林融合算法（RFE＿RF）筛选出幼龄沉香叶片图像的标准红光值(INR)、饱和度（S）、矩形度(ER)3个特征，并以此作为模型自变量。试验表明，与重度水淹胁迫相比，幼龄沉香对于长期重度干旱胁迫更加敏感，且干旱时间超出2周，幼苗叶片严重受损，威胁沉香生长；沉香最适叶片水分生长范围为50%～65%，适度增加水分，有利于沉香生长。基于RFE＿RF融合算法构建的预测模型敏感度、特异性、误报率和精度分别达到88.64% 、85. 31% 、14. 39% 、91.62%，优于LSSVM模型效果；相比RF预测模型敏感度提高3.34%、特异性提高10.87%、误报率降低36.83%、精度提高13.39%。【结论】沉香最适叶片水分生长范围为50%～65%，当连续干旱时间超过2周后，威胁沉香正常生长；基于RFE＿RF建立的沉香叶片颜色、形状特征与含水率的模型，解决了随机森林过程中高维度变量选择问题，提高了RF在林木水分预测模型中的精度，实现了沉香幼苗叶片含水率的无损估测和诊断，为珍贵树种在经营管理中对水分进行准确管控提供了新思路。