论文以呼和浩特市托克托县为研究区域,选取研究区不同土地利用类型、不同土壤类型典型样地,现场采集土壤样品室内测定其有机质、全氮、全磷、全钾含量并利用SVC HR1024地物光谱仪测定土壤样品光谱反射率,通过数学变换、敏感波段筛选,建立土壤养分最佳光谱反演模型,研究结果可为研究区乃至土默川平原土壤养分监测提供一定的理论基础,为生态环境建设提供一定的技术支撑。主要研究结论如下:（1）研究区土壤养分及分布情况:研究区采样点内,土壤有机质、全氮、全磷、全钾含量之间呈正相关关系;空间上主呈现西北高,东南低分布,整体差距较大;全县土壤有机质平均含量处于急缺水平,全氮与全钾平均含量处于缺乏水平,全磷平均含量处于中下水平;不同土地利用类型下,土壤养分均值分布均为耕地>林地>草地>盐碱地;不同土壤类型下土壤养分均值分布为栗钙土>沙质土>盐碱土。（2）土壤光谱差异及相关系数提升:光谱反射率随土壤有机质、全氮、全磷含量的增加而减低,随全钾含量的增加而增加;经过连续小波变换处理后土壤有机质、全氮、全磷、全钾相关系数分别增加了0.20、0.14、0.11、0.16,模型的预测预测能力得到了整体提升,连续小波变换对于提升土壤养分与光谱之间的相关系数与模型的预测能力有着重要意义。（3）最适模型筛选:支持向量机预测模型中,RBF核函数预测效果高于线性核函数、多项式核函数、sigmoid核函数,但模型中存在不稳定性,对模型的环境设置同样要求过高,支持向量机无法实现本研究区全磷、全钾含量的预测;BP神经网络预测模型参数较为简单,针对不同预测数据筛选不同的神经元个数可实现对研究区土壤养分实现有效预测,且预测效果高于支持向量机预测模型,对于该区域土壤养分反演有着重要意义。（4）不同土壤养分最佳预测模型结果:本研究土壤养分最佳预测模型均为BP-CWT-R,适合土壤类型主要为沙质土、栗钙土、盐碱土以及土地利用类型主要为为耕地、林草地、盐碱地的土默川平原托克托县;有机质最佳预测模型建模集R2=0.76,RMSE=2.14,预测集R2=0.60,RMSE=1.83,RPD=2.02;土壤全氮最佳预测模型建模集R2=0.77,RMSE=0.19,预测集R2=0.70,RMSE=0.15,RPD=2.40;全磷最佳预测模型建模集R2=0.71,RMSE=0.12,预测集R2=0.61,RMSE=0.07,RPD=2.04,全钾最佳预测模型建模R2=0.65,RMSE=0.52,预测集R2=0.58,RMSE=0.44,RPD=2.09,模型RPD均达到2.00以上。