使用高光谱遥感技术监测作物生长状况、预测作物产量与品质和诊断作物氮素利用状况是现代精准农业的迫切需求，也是农业遥感的重要研究内容。本文以不同品种、不同施氮量、不同地点的小麦大田试验为基础，系统分析了小麦长势参数(叶而积指数、叶干重和地上部植株生物量)、氮素营养参数(叶片氮含量、叶片氮积累量、地上部植株氮含量和地上部植株氮积累量)、籽粒产量、籽粒蛋白质含量和氮素利用效率参数(籽粒生产效率、植株氮素利用效率和氮肥生理利用效率)，利用五种建模方法(光谱指数法、偏最小二乘回归、套索回归、支持向量机回归和梯度提升算法)，分别构建基于原始冠层光谱(波段范围:400nm-900nm)和经连续统去除转换后的特征光谱(波段范围:550nm-750nm)的小麦生长状况和籽粒产量与品质高光谱估测模型，以期实现利用较少输入的红边波段模型获得媲美原始冠层光谱模型估测精度。本文的主要研究结果如下:
　　(1)构建了不同小麦品种长势参数估测模型。采用连续统去除光谱技术分析了特征波段(500-750nm)与小麦长势参数的相关关系，构建了基于连续统去除光谱的小麦长势参数估测模型，与原始冠层光谱构建的估测模型相比，连续统去除光谱可以在大幅度减少模型输入量的同时，能够较好地估测小麦长势参数。在五种建模方法中，基于梯度提升算法构建的估测模型表现最好，建模决定系数均在0.9以上。基于连续统去除光谱和梯度提升算法构建的叶面积指数、叶干重和地上部生物量估测模型的预测偏差比分别为2.785、2.586和2.36，具有良好的准确性和稳定性。因此，利用经连续统去除转换后的特征光谱估测小麦长势参数是可行的。
　　(2)研究了不同小麦品种氮素营养参数的高光谱估测模型。连续统去除光谱指数能够较好地估测小麦氮素营养参数，并在估测小麦地上部植株氮积累量方面明显优于原始冠层光谱参数。基于梯度提升算法构建的估测模型表现最好，建模决定系数均在0.91以上。基于连续统去除光谱和梯度提升算法所构建的叶片氮含量、叶片氮积累量、地上部植株氮含量和地上部植株氮积累量估测模型的预测偏差比分别为2.56、2.59、2.508和2.7，具有良好的准确性和稳定性，说明利用连续统去除光谱可以较为准确地估测小麦氮素营养参数。
　　(3)建立了小麦籽粒产量和蛋白质含量的高光谱预测模型。连续统去除光谱指数估测籽粒产量和蛋白质含量的精度与原始冠层光谱相似，决定系数均在0.78以上;利用同一生育时期的多个光谱指数构建小麦籽粒产量和蛋白质含量的预测模型，决定系数在0.83以上。基于开花期连续统去除光谱指数和梯度提升预测模型构建的估测模型的预测偏差比分别为2.284和1.523，说明利用连续统去除光谱可以预测籽粒产量，但是预测籽粒蛋白质含量的技术有待改进。
　　(4)分析了小麦氮素利用参数与各生育时期长势和氮素营养参数以及相关光谱指数的相关性。开花期氮素营养参数与小麦籽粒生产效率和植株氮素利用效率的相关性均较为良好，相关系数可达-0.8;基于开花期小麦光谱指数构建的梯度提升预测模型表现最好，决定系数在0.85以上。利用生理参数和光谱指数对不同氮肥利用效率的品种进行区分，发现基于单生理参数和光谱指数的品种分类模型的准确率在0.7以上，表现较好;基于多生理参数和多光谱指数的品种分类模型的分类准确率可达0.8以上，表现良好，具有优秀的应用潜力。