海量土壤分析是现代农业基本特征之一，而实验室测定方法存在成本高、操作繁琐、破坏性强等局限性，难以满足现代农业的发展需求。相对而言，现代光谱技术具有快速、无损、污染少等优点，为海量土壤信息的获取提供了新的技术支撑。红外光谱和拉曼光谱携带着丰富的分子振动信息，且具有互补性，在物质快速无损检测方面已成为广泛的技术手段。本文以我国四种典型农田土壤，即潮土、水稻土、红壤和黑土为研究材料，测定其红外光谱和拉曼光谱，结合多种光谱预处理方法和概率神经网络(PNN)、偏最小二乘回归(PLSR)等多元校正方法，建立了土壤鉴定和有机质预测模型，并利用光声光谱的深度扫描功能研究了不同土壤的不同层次的光谱特点，然后融合红外/拉曼光谱技术，将其应用于土壤有机质的预测，以期为土壤表征及其属性预测提供理论和技术支持。进而，以南京市为例，基于土壤光声光谱，研究了区域内土壤变异，取得的主要研究结果如下:　　(1)荧光效应极大地限制了拉曼光谱在土壤定性定量分析中的应用。本文分别采用线性算法和自适应迭代惩罚最小二乘方法(airPLS)对土壤的拉曼光谱进行基线校正，并通过分峰分析对土壤拉曼光谱进行了研究。结果表明，对拉曼光谱进行基线校正，能够非常有效地从复杂低拉曼信噪比的基质中分离较弱的目标信号，从而为拉曼光谱用于土壤的定性定量分析提供可能性。　　(2)选取1000-2000cm-1波数范围对四种土壤的拉曼光谱进行主成分分析(PCA)，结果表明，土壤拉曼光谱的主成分基本上能很好地对土壤类型进行区分。进一步将提取的光谱主成分作为输入单元，建立概率人工神经网络(PNN)，对土壤类型进行鉴定。采用独立的验证集进行验证，得到的土壤类型判定结果的正确率为96％。该结果表明，土壤的拉曼光谱所包含的非极性分子振动信息，可用于土壤的鉴定。　　(3)采用中红外光声光声光谱(FTIR-PAS)和中红外衰减全反射光谱(FTIR-ATR)，结合经典偏最小二乘回归(PLSR)，分别建立了土壤有机质的预测模型，得到的R2分别为0.74和0.76，RPD值分别为1.90和2.01，表明了光声光谱和衰减全反射光谱能够实现土壤有机质的定量预测。对四种土壤的两种类型的红外光谱分别进行主成分提取，结果表明光声光谱对土壤的鉴定能力大于衰减全反射光谱，从而表明，相对于衰减全反射光谱，光声光谱整体上反应的土壤信息更为全面。拉曼光谱结合偏最小二乘法直接用于土壤有机质预测，效果较差，R2为0.37，RMSEP为11.75g kg-1，RPD为1.25;采用airPLS方法对土壤的拉曼光谱进行基线校正后，模型的精度大大提高，R2为0.75，RMSEP为7.50g kg-1，RPD为1.96，表明基线校正能有效地提高土壤拉曼光谱的信噪比，进而改善基于拉曼光谱的土壤有机质预测结果。　　(4)本文利用光声光谱动镜速率可调的功能，通过设定0.16、0.32、0.63cm s-1三个动镜速率，研究了四种典型农田土壤在介观（微米）尺度上的光谱差异。结果表明，浅层的土壤的光谱吸收峰种类更为丰富;水稻土各层有机质均含较多的脂肪族结构，黑土深层有机质含有较多的芳香族结构;四种土壤不同层次间的变化各不相同，黑土和水稻土层次间差异比较小，而潮土和红壤层次间差异较大，表明不同类型土壤的微观层次在粘土矿物、有机质、水分等多方面存在着差异，这可能与不同类型土壤的物理结构、透水性和保肥性的高低密切相关。　　(5)基于红外光谱和拉曼光谱在物质结构表征方面的互补性，将土壤的红外光谱和拉曼光谱以主成分连接的方式融合起来，进而利用融合光谱数据建立了土壤有机质的预测模型。结果表明，与单独使用红外光谱相比，光声光谱和拉曼光谱进行融合能够显著降低模型的RMSEP值，而衰减全反射光谱和拉曼光谱进行融合，并不能显著降低预测模型的RMSEP值。为了进一步减小干扰因素，本文采用CARS变量筛选和间隔偏最小二乘法(iPLS)两种方法对有机质的预测模型进行简化，结果表明，无论是对于三种光谱的单独使用或者红外光谱和拉曼光谱的结合使用，CARS变量筛选均能有效地降低模型的RMSEP值。本节研究结果表明，红外光谱和拉曼光谱结合能显著提高模型的质量和预测能力，这也为有机质等土壤属性的预测提供了新的思路。　　(6)以南京市为例，基于土壤红外光声光谱进行制图。结合主成分分析，将土壤光谱所携带的信息通过三基色的形式显示成图，结果表明土壤的三基色图能从整体上出反应该区域内土壤类型和有机质在空间上的分布，从而为土壤肥力的快速评估提供了新的技术支撑。