冬小麦的高效生产直接影响着我国的粮食安全,氮素营养指数（NNI）作为表征氮素亏缺的重要指标在评价冬小麦长势、产量估测及指导田间管理等方面具有重要意义。灌溉和施肥是影响冬小麦生长发育的两大管理措施,但在水肥作用下建立临界氮浓度稀释曲线（Critical nitrogen dilution curve,N_c）主要分为两种:一种是直接用一条N_c曲线,虽在田间管理中简单便捷,但不能进行精确诊断;另一种是不同灌溉条件下的多条曲线,虽各灌溉条件下N_c曲线具有较高的精度,但在田间管理中存在许多问题。为了对水肥效应下的冬小麦进行氮素诊断,本研究以连续三年的水肥试验为基础,对不同灌溉条件下的N_c进行修正;其次,对NNI所涉及的农学参数进行遥感监测;最后对NNI直接遥感模型及间接遥感模型进行分析并验证。主要研究结论如下:（1）在同一水分处理下,随生育时期的推进,地上部干生物量（Aboveground dry biomass,AGB）呈逐渐上升的趋势。拔节期、挑旗期和开花期AGB的范围分别为1.20⁴.53t hm^-2、1.95⁸.27t hm^-2和3.42¹2.74t hm^-2。在同一水分处理下植株氮浓度（Plant nitrogen concentration,PNC）随生育时期的推进呈降低趋势,拔节期、挑旗期和开花期PNC的范围分别为2.07³.94%、1.36².85%和1.01².10%。在同一水分处理下,随生育时期的推进,植株含水量呈逐渐下降的趋势;同一生育时期植株含水量（Plant water content,PWC）差异不明显,拔节期、挑旗期和开花期的范围分别为0.75⁰.85、0.73⁰.84和0.59⁰.78。（2）冬小麦关键稀释氮浓度曲线均呈负幂型,直接构建的N_c模型为N_c=4.91*AGB^-0.53,模型的R²、nRMSE和RPD分别为0.64、0.20和1.80。传统构建方法无法对不同灌溉条件下的N_c进行预测。（3）考虑灌溉因素的N_c模型,以1/（1-PWC）为第二层信息的冬小麦修正模型精度最高,模型表达式为N_c=a*AGB^-b,其中a=1.33/（1-PWC）-1.88,b=0.13/（1-PWC）-0.22,R²、nRMSE和RPD分别为0.85、0.12和2.53,验证模型的nRMSE为0.15。基于多层线性模型（Hierarchical linear model,HLM）所构建的农学NNI模型也具有较高的精度,校正模型R²和nRMSE分别为0.74和0.10,验证模型的nRMSE为0.14。（4）植被指数与单生育时期的AGB、PNC和PWC具有较好相关性,而在多生育时期相关性较差。相比传统植被指数,结合生长度日（Growing degree days,GDD）的植被指数在全生育时期的AGB、PNC和PWC的预测精度上得到了显著提高。本文选择SRWI/GDD,TVI/GDD和NDVI/GDD分别构建AGB、PWC和PNC的估测模型。AGB的预测模型表达式为y=28.64*e^-345.90x,R²和RMSE分别为0.64和1.75t hm^-2,验证集RMSE为1.32t hm^-2;PNC的预测模型表达式为y=0.17*e^277.65x,R²和RMSE分别为0.77和0.36%,验证集RMSE为0.24%;PWC的预测模型表达式为y=41.27x+0.43,R²和RMSE分别为0.75和0.03,验证集RMSE为0.03。（5）相比两类N_c遥感监测模型,基于多层线性模型所构建的N_c遥感监测模型精度最高,模型表达式为N_c=β1*TCARI/GDD+β2,其中β1=210.94-299.79*NDVI/GDD,β1=-0.96+3397.91*NDVI/GDD,校正模型R²和nRMSE分别为0.62和0.19,验证模型nRMS为0.18。虽然其他N_c模型也具有较高的精度,但验证结果较差。而直接利用MTVI2构建的NNI监测模型精度最高,NNI=2.02*MTVI2+0.60,校正模型R²和nRMSE分别为0.21和0.17,验证模型nRMSE为0.18。其他两类间接遥感监测模型的精度未达到理想水平,结合遥感数据的NNI监测还有待进一步研究。