叶绿素含量是植物生长发育的重要指标,可以间接的反映出植物的生长状况。在大豆生产过程中,建立快速高效的大豆叶绿素含量检测方法,及时了解大豆的生长发育状况并调整栽培措施,对最终实现大豆高产具有重要意义。传统叶绿素含量检测方法存在费时费力、采集范围较小、破坏性较大等缺点,无法满足现代农业生产的要求。无人机与高光谱技术的发展为实现快速、高通量地获取大豆叶绿素含量信息提供了可能。目前,利用无人机搭载高光谱探头开展不同生育期下大豆叶绿素含量反演研究的报道较少。本研究利用无人机搭载高光谱探头获取了大豆开花期、结荚期、鼓粒期和成熟期四个时期的高光谱数据,同时采集了四个时期的大豆叶绿素含量数据。使用一元线性回归、指数回归、对数回归和决策树算法,以及多元线性回归、岭回归、LASSO回归、随机森林和神经网络算法,分别建立了大豆叶绿素含量与高光谱数据的基于单变量和多变量的反演模型。取得的主要结论如下:1.大豆的光谱曲线会随着生长时期和不同水平的叶绿素含量而改变。三边参数与大豆的生育时期有一定的联系,可作为大豆生长发育的参考指标。大豆叶绿素含量与三边参数关系密切,大豆叶绿素含量的上升与下降都会让三边参数发生相应的变化。2.对原始光谱进行一阶微分后可以提高高光谱数据与大豆叶绿素含量的相关性。一阶微分最佳波段是可靠的反演大豆叶绿素含量的高光谱参数,在开花期至成熟期的最佳波段分别为655 nm、508 nm、518 nm和683 nm。3.在基于单变量的反演模型中,基于决策树算法的模型表现相对最好,可作为建立基于单变量反演模型的参考算法。4.与基于单变量构建的模型相比,基于多变量构建的模型的反演效果和稳定性更好。使用随机森林算法构建的模型对大豆叶绿素含量的反演效果整体表现最好,其中基于全时期数据构建的随机森林模型反演能力是本研究所有反演模型中综合表现最好的。随机森林算法可以作为大豆叶绿素含量反演的参考算法。5.四个生育时期建立的模型反演能力较为接近,没有明显的时期差异;全时期数据建立的模型反演效果好于单一时期。综上所述,本研究探讨了不同叶绿素水平和不同时期下三边参数的变化,利用不同算法建立了不同生长时期和全时期下基于单变量和多变量的大豆叶绿素含量反演模型,分析比较了不同模型的反演能力和模型稳定性,研究结果对于利用高光谱数据开展大豆叶绿素含量反演研究具有一定的指导意义。