现代农业中引入新技术和科学管理方法,并获得作物生长参数,辅助工作人员为提高农作物产量而制定出科学的管理方式,是当今农业发展的趋势。而叶绿素含量的无损检测及多光谱图像技术的出现,为农业作物长势监测提供了便利。叶绿素含量是衡量农作物生长状况的重要指标之一。在玉米生长期间,使用SpectroCam多光谱相机和SPAD-502叶绿素含量测量仪,采集单株玉米叶片的多光谱图像和叶绿素含量,并提取多光谱图像目标区域的灰度值,依据相关性分析结果建立两者之间的拟合方程,从而可通过自动图像识别的方法实现玉米叶片叶绿素含量的大规模快速无损检测。由于玉米叶片叶绿素含量随着其生长期的延长而减少,因此,我们对玉米的整个生长时期进行分类,据此可确定玉米叶绿素含量的增长情况,从而为实现对玉米生长状况的有效监控提供支持。为了减少多光谱波段信息冗余,本研究采用因子分析法将原始8维空间(对应8波段)映射到4维(对应4种波段组合)空间中,以减小玉米叶片叶绿素含量预测模型的误差率、提高玉米生长时期分类模型的准确率。采用因子分析对多光谱图像波段进行融合,同时采用交叉验证优化Elman神经网络,并与传统的线性、非线性回归进行对比分析。实验结果表明基于因子旋转的波段融合与交叉验证优化Elman网络后,其预测误差最小,仅为0.0024,比基于原始8波段的传统线性和非线性回归的预测误差分别降低0.1676、0.1776。为提高玉米生长时期的分类精度,先后基于原始8波段多光谱数据和波段图像融合后的数据,并采用交叉验证对随机森林法进行优化。实验结果表明基于因子旋转的波段融合且交叉验证优化均可提高随机森林的分类精度,其分类精度为96.67%,HammingLoss为0.0037,比基于原始数据且非交叉验证优化的分类精度提高0.0279;HammingLoss降低0.0031。