叶绿素和氮素是两个非常重要的表征作物营养和生长状况的指标。其中,叶绿素是植物光合作用中最重要的色素物质,是水稻高产高质生长的重要反应指标之一。氮素是作物生长发育必需的营养元素之一,是影响作物生长和产量的重要限制因素。因此,实时、精准监测作物长势状况对作物田间肥料精准管理、提高作物产量和品质等均具有重要意义。光谱技术能满足实时、快速、无损、准确诊断作物叶片氮含量和叶绿素含量的要求,适时掌握作物长势和氮素状况,为营养诊断与施肥调控提供依据。高光谱技术和机器学习建模分析的结合更是大大提高了作物叶片氮含量和叶绿素含量反演的精度,为精确掌握叶片氮含量和叶绿素含量的动态变化、作物生长监测、产量估算和品质预测提供新手段。本研究以水稻品种株两优819和株两优39为研究对象,在早稻生长的5个关键时期（分蘖期、孕穗期、齐穗期、灌浆期和成熟期）采集了水稻叶片高光谱数据及相对应的生理生化指标（SPAD值和叶片氮含量）。研究首先探讨了水稻叶片高光谱特征以及其在不同生育时期、不同施氮梯度下的变化规律,系统分析了水稻叶片SPAD值和叶片氮素含量对生育时期的响应规律;对水稻叶片高光谱全波段进行载荷值分析,确定了水稻叶片SPAD值和氮素含量的高光谱敏感波段;在确定好高光谱敏感波段的基础上,采用Savitzky-Golay滤波、多元散射校正、标准正态变换、主成分分析等4种预处理方法对原始光谱反射率进行降噪滤波,并比较了这4种预处理方法与不进行预处理产生的模型效果差异;将敏感光谱波段作为输入量,对应的实际生理生化指标值作为输出量,分别采用偏最小二乘回归、随机森林、支持向量回归3种不同的算法构建水稻叶片氮含量和叶绿素含量反演模型,以决定系数和均方根误差为评价指标评估模型的精确度,选出最佳预处理方法及建模方法组合的;最后,研究采用跨期数据构建了基于高光谱数据的水稻叶片含氮量和叶绿素含量的跨期预测模型,提出了作物生理指标的“可跨期预测性”,有助于实际生产过程中的早期预测,也为作物表型性状以及内部品质的预测研究提供了新思路。主要结论如下:（1）结合高光谱技术和机器学习技术对水稻叶片SPAD值进行估测。从3种不同算法构建的模型结果来看,基于高光谱数据的水稻叶片SPAD值估测是可行的,模型的具体效果表现为PLSR模型＞SVR模型＞RF模型。其中,基于PLSR算法建立的SPAD值反演模型效果最好,在不同预处理下模型的R~2都达到了0.64以上,RMSE都控制在1.88之内。从不同预处理结果来看,基于Savitzky-Golay处理的PLSR模型精度最佳,R~2为0.89,RMSE为1.02。（2）结合高光谱技术和机器学习技术对水稻叶片氮素含量进行估测。研究结果表明,水稻叶片光谱对水稻叶片氮素含量的估算精度较高,基于PLSR、RF、SVR算法构建的水稻叶片含氮量反演模型均具有较好的拟合性,其中基于Savitzky-Golay的PLSR模型估测效果最佳,其模型R~2和RMSE分别为0.88和0.10。（3）分别对水稻叶片氮素含量和SPAD值进行跨期预测,结果表明,SPAD值表现出可跨期预测潜力,而叶片氮含量并不可跨期预测。在水稻叶片SPAD值跨期预测模型中,跨成熟期预测模型效果最佳,R~2达到0.74,RMSE为1.77。而针对各时期的水稻叶片氮含量跨期预测模型的拟合效果都很差,叶片氮含量并不可跨期预测。