土壤有机质（soil organic matter,SOM）是土壤的重要组成部分,同时也是衡量土壤肥力和质量的主要决定指标,与上壤的生产力密切相关。传统测量SOM含量的方法过程费时费力,效率低,且成本较高,难以满足大范围的SOM含量实时监测,而.随着遥感技术的发展,高光谱遥感以其波段多、光谱信息丰富等优点为SOM含量监测提供可能,利用高光谱遥感对SOM含量进行反演,即可拓展遥感技术在农业领域的应用,也可为SOM的调查与评价提供新的研究思路。为了掌握国产珠海一号（Zhuhai-1）高光谱卫星影像反演SOM含量的能力,提升太行山区SOM含量高光谱反演模型的精度,本研究以太行山区阜平县北流河流域为研究对象,获取珠海一号高光谱影像,从影像上提取研究区域的70个样点的光谱反射率数据,对样点光谱反射率数据进行Savitzky-Golay（SG）平滑、对数处理（lnR）、对数的倒数处理（1/lnR）和小波包分解等变换,采用皮尔逊相关法进行SOM含量敏感波段的选择;之后基于实验室实测SOM数据与光谱波段数据,构建多元线性回归（MLR）、支持向量机回归（SVM）和随机森林回归（RF）的SOM含量反演模型,并对比分析不同建模方法对预测精度的影响。研究结论如下:（1）对样点光谱数据进行不同的数学变换,可使光谱数据与SOM含量相关性发生改变。根据极大相关性原则可知,对数变换（lnR）和对数的倒数变换（1/lnR）处理结果对比原始光谱的相关性没有提升,反而下降;SG平滑和小波包分解处理中之后均不同程度地增加原始光谱与SOM含量之间的最大相关性,其中SG平滑结果中有7个波段的相关性绝对值大于0.735,小波包分解得到的低频分量结果中有4个波段相关性绝对值超过0.744,最高达到0.812。（2）基于不同的光谱数学处理结果构建的SOM含量反演模型反演精度不同。在建模方式上,随机森林模型精度整体表现最好,支持向量机模型次之,多元线性模型效果最差;基于3种建模方式的共计18种模型中,模型效果最好的是基于小波包分解低频分量构建的RF-WPT-L模型,R2为0.824,RMSE为4.701,PRD为2.525,可以较为精准的对研究区SOM含量进行反演估算。（3）研究区SOM含量空间分布格局整体呈现为西北高,南部和西南部低。SOM含量高的地区主要为植被覆盖度较高的山区,人为干扰较少,有利于SOM的积累,SOM含量低的地区主要集中在中南部村镇等居民区和耕地较多的区域,主要原因是人为的开发利用土地,使得土壤中SOM的积累速度下降,导致SOM含量较低。（4）研究区SOM高光谱反演模型精度的影响因素主要包括大气辐射、卫星仪器的信噪比、土壤水分、质地、微量元素含量等其他土壤环境要素,以及光谱预处理方式、建模方式等。在未来的研究中,一方面要从数据质量着手,加大对新型仪器的研制,提高数据质量;另一方面要从数据处理方面着手,在数据预处理以及建模方式等方面进行完善和探索,以提高SOM含量的高光谱数据反演精度。