作物生长信息监测是现代农业精准管理的前提,快速、精准的获取作物营养信息,是我国现代农业可持续发展的必然要求。氮素直接反应作物的营养状况,是作物营养诊断、生长监测及品质评价的重要指标。经济便携、实时精确、快速无损的氮素营养诊断监测仪是作物氮肥科学管理的关键技术手段之一。针对目前市面上作物养分诊断仪多数存在敏感波段单一,可测得的潜在光谱指数较少,价格昂贵,难以进行二次开发等问题,本研究设计开发了一种便携式作物氮素诊断多光谱监测仪,该监测仪能够快速、精准、无损地获取作物生长信息,且成本较低。研究结果为指导作物田间生产和氮素管理提供参考,实现科学高效施肥。本论文主要研究结果如下:（1）根据当前作物养分诊断仪的优势与弊端,为了快速、低成本地获取叶片氮素含量（LNC）数据,在团队已有工作基础之上,进行了基于多光谱的作物氮素诊断监测仪（MCNS）的设计与开发,该仪器内部集成STM 32,2个光学器件（包括可见光6波段和近红外6波段）、光源、测距系统、温湿传感器、按键、显示屏、SD卡、蓝牙和电源等硬件设备;控制软件采用C语言编程设计,实现作物光谱信息的采集、显示、存储和诊断等功能。MCNS设计完成后,调试校正监测仪参数,结果表明监测仪能够准确获取玉米叶片光谱信息,且MCNS与同类型仪器相比,具有重量轻、价格经济、监测信息多、可更新升级等优势。（2）本研究在玉米R5时期使用MCNS、PSR+地物高光谱仪和SPAD同时获取叶片光谱数据,田间试验表明,MCNS的测量值与PSR+高光谱仪和SPAD的测量值具有很好的相关性。通过将MCNS计算的27个光谱指数进行优化表明,预测LNC效果最好的是三波段光谱指数m RER,R~2为0.80,其余5个三波段光谱指数BNI1、PSRI、m ND705、m SR705、SIPI和一个融合波段光谱指数NPDI,R~2值均在0.76以上。在优化光谱指数的基础上,为提高LNC的可预测性和准确性,引入机器学习算法。将27个优化光谱指数作为输入变量,训练偏最小二乘法（PLSR）和随机森林（RF）模型,以单一变量回归分析相比,机器学习算法可将LNC预测精度R~2值由0.80提高到0.89,且RMSE显著降低。经过27个优化光谱指数重要度排序后,在相同预测精度的前提下,找到了7个优化光谱指数的最佳组合（PSRI、BNI1、m RER、BNI2、NDDA、m SR705和SIPI）。两种机器学习估算LNC建模方法对比中,PLSR模型表现最佳,建立的模型在玉米LNC监测中具有良好的估测能力。综合以上结果,本研究设计研发出了一种快速无损的基于多光谱的作物氮素诊断监测仪,该仪器便携、集成度高、成本低,解决了大多数监测仪存在的敏感波段单一,价格昂贵,不能进行二次开发等问题,可方便的应用于农业生产,实现玉米叶片氮素营养诊断,提高了基于近地面遥感的作物氮素诊断监测的时效性。