“精准农业”是当今农业最富有吸引力的前沿课题,通过引入现代技术和科学管理方式,获取农作物生长过程中的参数信息,辅助管理人员做出科学决策,以提高农作物的产量。多光谱技术和新的叶绿素含量测量方法的出现,在一定程度上完善了精确及快速采集农作物生长参数的手段。叶绿素含量是衡量农作物生长状况的重要指标,通过在玉米生育期内,使用多光谱技术和SPAD-502叶绿素含量测定仪,分别采集玉米叶片的多光谱图像灰度和叶绿素含量,建立两者的拟合方程,这样通过多光谱图像灰度就可以大规模快速检测玉米的生长状况。在不同的生育阶段,给玉米施肥的方法也不尽相同,通过多光谱图像灰度建立玉米生育时期的分类模型,可以给合理施肥提供科学指导,提高玉米的产量。在对多光谱的波段进行融合,提取光谱特征时,将波段由原来的8维空间映射到4维空间中,提取其光谱特征,提高拟合模型的判定系数(R-squared)、平均相对误差率和分类模型的精度。本文在建立光谱灰度和叶绿素含量拟合方程时,采用逐步回归选取显著性较高的多光谱波段和影响分析剔除异常样本的方法,提高模型的判定系数,以及使用残差分析检验模型的适用性。然后通过比较线性和非线性拟合方程,线性模型更合适,R-squared为0.93,平均相对误差率为9%。在建立玉米生育期分类模型时,采用LinearSVC、KNeighbors、SVC和Ensemble共4个模型,使用原始多光谱图像灰度训练分类器并将混淆矩阵及其变换后得到的矩阵灰度可视化,提高分类器的精度,Ensemble模型中Bagging分类器的精度取得最高得分0.979。在使用因子分析和聚类分析两种方法,对多光谱波段进行融合时,得到的融合结果一致,将相邻的2个波段映射到1维空间中。同时在因子分析阶段,使用因子得分建立拟合模型进一步提升了拟合叶绿素含量的判定系数和泛化能力,R-squared为0.94,平均相对误差率为8%,建立分类模型时,Bagging分类器的精度提升到了0.978。