土壤养分含量是评价土壤肥力的重要指标,极大影响作物生长发育,同时也是科学施肥的基础,高效快速检测土壤养分含量及制定配套施肥方案对提升作物产量、品质及减少生产投入具有重要意义。本研究以南疆阿拉尔垦区十三团枣园为研究区,采用网格布点法均匀采集141个0～60 cm深度土壤样品,于室内测定光谱数据及土壤养分（土壤有机质SOM、速效钾AK、有效磷AP、碱解氮AN）含量,比较竞争自适应重加权算法（CARS）、连续投影算法（SPA）、粒子群算法（PSO）、变量投影重要性（VIP）四种算法的高光谱数据降维效果,采用偏最小二乘回归（PLSR）、反向传播神经网络（BPNN）、卷积神经网络（CNN）三种建模方法构建枣园SOM的高光谱反演模型,同时结合多种数据变换方法构建组合模型反演枣园土壤速效养分,根据模型评价指标筛选4种土壤养分的最优反演模型,据此制作研究区土壤养分空间分布图及变量施肥配方,并将施肥单元为6 m×6 m大小的精准施肥配方可视化。研究结果表明:（1）CARS、SPA、PSO、VIP四种数据降维方法均可以精准提取与SOM含量相关的光谱特征波长,进而实现对高光谱数据压缩,减轻模型训练压力,四种降维方法与PLSR、BPNN、CNN构建组合模型反演效果都接近或优于全波段构建的组合模型,其中以CARS-BPNN模型反演效果最优,验证集R~2为0.91、RMSE为1.19 g·kg-1、RPD为3.14,n RMSE%为10.50,能很好预测枣园SOM含量。（2）CARS算法筛选土壤速效养分的四种相关波段数据集（R-CARS、Lg R-CARS、SNV-CARS、FDR-CARS）与PLSR组合模型反演效果均优于全波段数据集（R、Lg R、SNV、FDR）与PLSR的组合模型。经PLSR筛选土壤速效养分（AK、AP、AN）最优数据集分别为:R-CARS、SNV-CARS、Lg R-CARS,同时对比最优数据集在BPNN模型上验证效果,确定三种速效养分（AK、AP、AN）的最优光谱反演模型分别为:R-CARS-BPNN、SNV-CARS-BPNN和Lg R-CARS-PLSR组合模型,对应验证集R~2分别为:0.93、0.90、0.94,RMSE分别为:10.86 mg·kg-1、16.53 mg·kg-1、3.92 mg·kg-1,RPD分别为:3.60、3.06、3.92,n RMSE%分别为:8.55、20.82、9.89。（3）基于研究区面积及采样点数量,建立研究区二维坐标格网,并将土壤实测养分和光谱最优模型反演养分进行空间插值,两者插值效果相近,且空间分布状况较为一致,可以使用土壤养分反演数据插值图展示土壤养分的空间分布状况,基于此制作的枣园土壤施肥配方显示:研究区内钾肥无需施入,磷肥（纯P2O5）仅少部分区域施入,其最大配方量为158.16 kg·hm-2,氮肥（纯N）最大配方量为294.60 kg·hm-2,有机肥最大配方量为9.41×10~4 kg·hm-2,为便于系统化、机械化实现枣园土壤养分精准调控,将光谱反演养分施肥配方细分为6 m×6 m大小施肥单元,并将其可视化。