土壤是农业生产的物质基础,其中土壤有机质是衡量土壤肥力的重要指标之一。传统实验室化学方法测定土壤有机质耗时费力且污染环境,而近几十年利用可见/近红外无损检测技术间接测定土壤有机质已经成为一种成熟、有效的手段,因此根据获得的可见/近红外光谱数据,建立准确度高适应性强的土壤有机质预测模型具有重要的现实意义。又因为对土壤有机质的研究很少在可见光范围,且可见光范围的研制材料容易获得。所以本文基于可见光范围380～780nm的光谱数据展开分析,通过各种光谱数据处理方法,提取土壤有机质的敏感波长,建立具有准确性、鲁棒性的土壤有机质预测模型,为实现手持式土壤有机质光谱仪的实际应用提供理论模型支撑。主要研究内容及主要结论:（1）两批共采集了158个原始土样,第一批在山西省境内（太谷、关帝山、右玉等地）采集了51个土壤样本,前36个样本取自于太谷县,后15个土壤样本取自于关帝山、右玉;第二批共采集107个土壤样本,分别来自于6个不同地区,其中包括中阳、关帝山、娄烦、方山、宁武、太谷。将采集的土壤经自然风干、过筛、烘干步骤制成待测土壤样本,然后将制成的样本一部分采用GB9834-88标准化学方法测得有机质含量,另一部分样本用于实验光谱测量处理。用Field Spec3型光谱仪扫描采集的土壤样本获得原始光谱曲线,在可见光范围进行光谱数据处理,光谱处理软件为MTALB2014b。（2）先分别利用Savitzky-Golay卷积平滑、多元散射矫正、一阶和二阶导数（1-Der和2-Der）、小波去噪等方法对原始土壤光谱数据进行预处理。原始光谱数据经过S-G卷积平滑和小波去噪预处理后,边缘部分变得光滑,明显消除了原始光谱曲线的边缘噪声,在一定程度上提高了光谱信噪比;一阶和二阶导数处理后,发现土壤光谱曲线峰和谷均被锐化,可以明显的增强光谱的分辨率,降低相邻谱带重叠,从而极大的消除光谱采集过程中背景和基线漂移的干扰,也有效消除光谱信息中的无关噪声;经过多元散射矫正后,发现光谱曲线很好的集中到了标准谱线（平均谱）附近,说明多元散射矫正可以有效去除土壤样本表面颗粒散射和曲面光度变化对光谱的影响,增强光谱数据与有机质之间的相关性,然后利用各种预处理方法得到的土壤光谱数据建立最小二乘模型（PLS）,比较模型参数发现,经过小波去噪预处理的光谱数据模型效果最佳,其模型的统计参数Rp为0.8188,预测均方差RMSEP为1.2830,所以后期的土壤光谱特征波长提取、建模均建立在小波去噪预处理基础上。（3）先应用KS和SPXY划分样本集,然后分别利用线性降维（主成分分析算法）和非线性的降维（竞争性自适应重加权法、连续投影算法）提取有机质的特征波长。主成分分析提取的特征波长为560nm、390nm、420nm;连续投影算法选择的敏感波长为427nm、574nm、626nm、780nm、640nm;竞争性自适应重加权法获得的特征波长为536nm、540nm、601nm、604nm、420nm、531nm、532nm、539nm、545nm、612nm、613nm、615nm、616nm、617nm、620nm。然后以提取的特征波长为自变量分别建立最小二乘和多元线性回归模型得到模型统计参数,发现KS+CARS+MLR模型参数最优,预测模型的相关系数是0.8703,均方误差RMSEP是0.5418,KS+SPA+MLR模型效果次之,其模型的相关系数是0.8545,均方误差是0.5812。（4）为了更多的保留原始光谱信息,使建立的模型具有更好的准确性和鲁棒性,将提取的中心波长左右波动5nm包围的面积作为土壤有机质预测模型的自变量,这样获得的模型预测效果更为显著。其中KS+CARS+MLR预测模型的相关系数是0.8869,均方根误差是0.52874,KS+SPA+MLR模型的预测集相关系数是0.8668,均方根误差是0.55224,发现用特征波长为中心波动5nm面积作为自变量的模型预测相关系数有所提高,预测均方根误差均有所降低,说明近似面积作为自变量可以有效提高有机质预测模型的精度。（5）可见光范围存在O-H键的二级以上倍频,因此水分在可见光范围会对土壤有机质预测有一定程度上的影响,有必要在可见光范围建立抗水分干扰模型。本文将采集的两批土壤取干土样本各50个分别配置为阶梯型含水率0%（干土）、4%、5%、8%、10%、12%、15%、16%、17%,然后利用MDI算法对不同含水率土壤样本光谱曲线进行重建,发现经过重建后的样本光谱曲线非常接近原始的干土样本光谱曲线。第一批土壤重建后模型的预测相关系数是0.7836,均方根误差是1.0672;第二批土壤重建后模型的预测相关系数是0.7508,均方根误差是1.1798。相比原始土壤的预测模型参数,重建后模型预测相关系数增高,均方根误差降低,说明了水分校正能够有效降低水分对有机质预测的影响,改善了模型的精确性和鲁棒性。