土壤有机质、全碳、全氮含量的高低对作物的生长具有重要作用。快速获取土壤中有机质、全碳、全氮含量信息,对农业生产的科学管理和精细农业的发展具有重要意义。传统测量方法主要依赖实验室化学分析的方法,操作过程比较复杂、耗时长,而且测量成本较高,不利于大面积采集测量、掌握土壤信息。可见光-近红外光谱（也叫可见光-近红外-短波红外光谱（Vis-NIR-SWIR））具有低成本、无污染、快速实时检测的优点,已被广泛应用到土壤特性检测中。本文以青海省三江源区与湟水流域为研究区,将野外采集的土壤样本分别进行土壤属性与土壤光谱的测定,在此基础上对土壤光谱数据进行预处理并基于模糊K均值聚类对土壤光谱进行土壤光谱分类与特征分析,最终基于偏最小二乘回归（PLSR）和随机森林（RF）对两个研究区域土壤有机质、全碳、全氮含量进行高光谱估算研究。主要结论如下:（1）土壤原始光谱反射率整体表现为土壤有机质含量越高光谱反射率越低,且在400¹350nm反射率变化较大,有机质含量越高,反射率曲线越凹;包络线去除处理后的光谱曲线在400¹350nm波段随着有机质含量的增加会出现明显的吸收谷。（2）包络线去除（或连续统去除）可以突出土壤光谱的吸收、反射特征,有利于土壤光谱的分类。基于土壤包络线去除的模糊K均值聚类,对全局土壤（两个研究区域的土壤样本作为一个整体）进行土壤光谱分类研究,结果表明该区域土壤光谱分类受土壤有机质含量的影响较大。（3）对土壤光谱进行一阶微分、包络线去除变换后的土壤光谱特征更加突出。原始光谱、一阶微分、包络线去除处理后的土壤光谱全波段偏最小二乘回归建模表明经过一阶微分、包络线去除可以减少模型的主成分数,简化模型结构,提高模型预测精度。（4）稳定竞争性自适应重加权算法挑选特征波段建模与全波段建模相比较,偏最小二乘、随机森林估算模型的特征波段建模精度相比全波段建模精度整体没有提高。但提取特征波段建模能够简化模型结构,提高运算速率,且对土壤光谱进行不同预处理后所提取的特征波段也有所不同。（5）对浓度梯度法与Kennard-Stone（KS）方法挑选的校正集与验证集土壤有机质、全氮、全碳含量特征统计,并建立偏最小二乘回归模型。湟水流域KS方法建立模型精度不高,且R²_cv较大,R²_val较小,模型过拟合。三江源区两种校正样本挑选方法的模型都具有较好的估算精度。三江源区有机质、全碳、全氮含量相比湟水流域较高,表明浓度梯度法挑选的校正集更具有代表性。土壤有机质含量较低时,KS方法挑选校正集不具有代表性。（6）土壤有机质、全碳、全氮含量的估算中,随机森林模型的估算精度整体高于偏最小二乘模型的估算精度,这可能是因为土壤有机质、全碳、全氮含量与土壤光谱并不是简单的线性关系,偏最小二乘回归建模具有一定的局限性。（7）基于模糊K均值聚类分析的土壤估算模型精度较全局土壤估算模型精度没有提高且有些类的估算模型精度低于全局估算模型精度。可能是由于该区域土壤差异较小,有机质对土壤的影响较大,且分类后的各类样本数小造成的。