黑土是不可再生的重要资源,作为我国主要粮食产区,黑土区耕地质量的优劣直接影响到我国的粮食安全,同时关系到经济发展和生态环境平衡。土壤中有机质的多少是土壤质量的重要指标。获取土壤有机质含量的传统方法通常是在田间采集土样,并使用化学方法在实验室中进行测量。这种方法精度高,准确性强,但是基础工作量大,费时费力,无法实现区域面积土壤有机质含量的快速测定,局限性较大。高光谱遥感技术为有机质含量的估测提供了一个全新的视角,并且在获得数据的同时,对土壤没有破坏性,符合现代农业的发展要求。本文的研究对象为我国东北地区的黑土土壤,采集了70个土壤样本,获取其实验室光谱数据。首先对土壤光谱曲线进行了断点修正、平滑去噪和15种不同形式的光谱变换,并分析了土壤光谱曲线的特征;然后,对光谱反射率值与土壤有机质含量进行了相关分析,结合步进法确定了反演有机质含量的解释变量,并对数据的多重共线性进行了研究;其次,基于统计学理论和光谱信息建立了多元线性回归、偏最小二乘回归和岭回归模型来估测土壤的有机质含量,对建模的结果进行了对比和分析;最后,基于BP神经网络对非线性模型进行了初步探索。主要研究结论如下:1)光谱曲线的反射率随着有机质含量的增加而减小,随波长的增加而增大,将光谱曲线进行多种变换,有效突出了土壤光谱的吸收特性,并且显著提高了光谱反射率与有机质含量之间的相关系数,原始光谱反射率对数的一阶微分变换对增强两者之间的相关性作用最大,在1280nm波段处,相关系数达到了0.7588。2)建立偏最小二乘回归模型时,综合考虑训练集和验证集样本的均方根误差来确定参与建模的成分个数,提高了选取成分个数的可靠性。偏最小二乘回归方法下建立的模型比多元线性回归要好,且对数的二阶微分形式下建模效果最好,建模集和验证集样本的校正决定系数分别达到了0.9488、0.7864,预测残差超过2,模型已具备良好的预测能力。3)在建立岭回归模型的过程中,岭参数的确定是一个至关重要的环节,本研究在岭参数的选取方法上进行了改进,将岭迹图法、控制残差平方和法以及方差扩大因子法相结合来确定最优岭参数。避免了在岭参数的筛选过程中过于主观,使得选取的岭参数更可靠。在改进了岭参数选取方法的基础上建立了岭回归模型,岭回归模型的精度要优于前两种模型,模型的稳定性和预测能力都得到了改善,样本点在1:1线的附近更集中了,反射率倒对数二阶微分形式下建立的模型训练集样本的校正决定系数达到了0.9704,模型的预测残差达到了3.1810,为所有光谱变换下,所有线性建模方法中的最优模型。4)分析发现数据间存在较为严重的多重共线性,针对本研究的数据,偏最小二乘回归和岭回归两种建模方法有效地克服了多重共线性问题。5)利用BP神经网络建立的非线性模型对训练数据具有很好的拟合效果,模型不仅具有很高的稳定性,同时也达到了较高的预测能力,训练集和验证集样本的校正决定系数分别达到了0.9862和0.9783,综合模型的各项评价指标,BP神经网络建立的模型效果最好。