针对传统的柑橘叶片叶绿素真实值含量检测方法耗时费力、操作繁琐且损伤叶片等弊端和传统叶绿素光谱反演模型精度低、泛化能力差等问题,提出一种基于数据融合的深度迁移网络柑橘叶片叶绿素反演模型,并对比多种特征提取方法与传统模型,优化基于高光谱的柑橘叶片叶绿素反演模型。以甜橙作为试验品种,分别在柑橘的萌芽期、稳果期、壮果促梢期、采果期采集健康叶片,使用ASD Field Spec 3光谱仪测定样本的光谱反射率,再分别采用化学计量法和TYS-B叶绿素测定仪测定光谱对应样本叶片的叶绿素含量和SPAD值,基于光谱数据建立了柑橘叶片叶绿素反演模型,主要研究内容为:（1）在特征波长与敏感波段提取中,分别采用了Pearson相关系数法、独立成分分析法、流形学习、自动编码机进行了高光谱数据特征提取,其中基于16个维度数稀疏自动编码机的偏最小二乘法回归的柑橘叶片叶绿素含量预测模型效果最好,校正集和验证集模型决定系数分别为0.8712、0.8554,均方根误差分别为0.0266、0.0287。（2）在光谱建模上,分别基于单一植被光谱指数、混合植被指数、多元线性回归模型、偏最小二乘法回归模型、支持向量回归、最小邻域回归、卷积神经网络、深度神经网络建立柑橘叶片叶绿素含量预测模型,针对传统特征与深度学习特征进行融合迁移,构建深度迁移网络。（3）针对柑橘叶片萌芽期、稳果期、壮果促梢期、采果期的光谱数据进行一阶微分、二阶微分、倒数与对数变换,研究不同光谱形式对建模影响。（4）对支持向量回归进行粒子群优化、交叉格点搜索优化、遗传算法优化,对深度学习模型进行梯度算子、Dropout、批正则化、L1和L2优化,基于ICA-PSO-SVR建模具有最好,其中校正集和验证集模型决定系数分别为0.7467、0.6831,基于Dropout优化的DNN模型具有最优效果,校正集和验证集模型决定系数分别为0.8409、0.8273,均方根误差分别为0.0329、0.0343。（5）传统特征融合上,基于R-I-M特征融合的线性建模效果最优,萌芽期、稳果期、壮果促梢期、采果期的校正集模型决定系数分别为0.8617、0.8092、0.8458、0.8900,深度特征融合上,基于AE、SAE、DAE融合效果最优,萌芽期、稳果期、壮果促梢期、采果期的校正集模型决定系数分别为0.9147、0.8320、0.9662、0.9613。试验对比多种特征提取融合方法和模型,结果表明,基于多特征融合深度迁移网络模型预测结果与SPAD值显著相关,可以快速、高效、准确、无损测定柑橘叶片叶绿素真实值含量,为监测柑橘生长周期的状况、加强水肥管理、进行农药精准喷施提供参考。