土壤有机质（Soil organic matter,SOM）作为评价土壤肥力的主要指标,其含量直接影响到土壤的保水、保肥性能和作物的生长状况。快速、准确获取SOM分布现状,对于区域农业的精准化发展和土地资源的合理利用具有重要意义。目前,高光谱技术作为一种快速、无损监测手段,已广泛应用于SOM含量较高地区的定量反演研究。然而,当SOM含量低于20 g.kg-1时,光谱敏感指标筛选困难,SOM的反演精度不佳。因此,探究低水平SOM的最佳光谱敏感特征和定量反演模型尤为重要。本研究以银川平原为研究区,利用网格法采集土壤样本,通过室内测定的SOM含量和野外测定光谱反射率为基础数据源,运用土壤学、地理信息技术和数学统计等方法,分析该区域SOM指标统计特征,基于5种常规变化和分数阶微分对原始光谱数据进行预处理,揭示SOM的光谱响应特征;利用不同变量筛选方式,分别建立6种线性和非线性回归模型,确定基于不同光谱参数的SOM最佳反演模型,为低水平有机质地区的SOM快速、准确估算提供科学依据。本研究主要结论如下:（1）银川平原SOM含量值介于0.75～19.31 g’kg-1,SOM含量偏低,属中等变异强度。光谱反射率与有机质含量呈反比;与基于原始光谱反射率建立的4种二维光谱指数相关性相比,基于5种常规变化的一维敏感波段相关系数并未显著提高;对光谱数据进行0.20阶微分处理,数据空间得到扩增,光谱区间对应的纵坐标数值整体呈现先增大后稳定不变的趋势。（2）基于逐步回归（Stepwise regression,SR）、灰色关联度（Grey correlation degree,GCD）和主成分分析（Pincipal component analysis,PCA）提取最优建模变量,光谱指标标准正态变量（Standard normal variable,SNV）为共有输入变量。与SR和GCD相比,PCA筛选方式所建模型估算精度最优;对比分析不同变量筛选方式和建模方法下的模型精度,基于光谱指标倒数的对数（Reciprocal of logarithm,RL）筛选敏感波段所建 PCA-支持向量机（Support vector machine,SVM）为最优SOM估算模型,Rc2为0.74,Rp2为0.78,RPD为2.08（＞2.0）,该模型对SOM具有很好的量化能力。（3）基于不同分数阶微分变化,差值指数（Difference index,DI）、比值指数（Ratio index,RI）、归一化指数（Normalized difference index,NDVI）、亮度指数（Brightness index,BI）、广义植被指数（Generalized vegetation index,GDVI）和再归一化指数（Renormalized Difference Vegetation Index,RDVI）与 SOM 含量间的最大相关系数绝对值（Maximum absolute correlation coefficient,MACC）整体呈现先上升后下降的规律,分别在1.0、0.6、1.4和1.6阶达到峰值。除DI、RI、NDVI、BI和GDVI外,0.2～2.0阶RDVI可用于模型构建,其中MACC值最佳组合波段主要集中在400～600 nm和1 300～1 700 nm。对比基于光谱指数RDVI所建不同模型精度,非线性模型精度最佳,其中RDVI-SVM模型估算精度最高,Rc2为0.86,Rp2为0.87,RPD为2.33（＞2.0）,该模型对SOM具有极强的量化能力。（4）基于分数阶微分下的单一光谱指数进行算法优化,优化指数DI/RDVI、RDVI/NDVI和NDVI/RDVI的MACC值分别为0.9986、0.7621和0.7993普遍高于0.70,其中单一指数DI对分数阶微分联合下优化指数的增强作用明显优于NDVI。3种优化指数所建SVM模型,R2整体高于0.80,RPD均高于2.00,其中DI/RDVI-SVM模型在0.2和0.4阶时的模型拟合精度最佳,R2均达到0.98,RPD分别为4.31和4.27,该模型可用于银川平原SOM含量的准确估算。（5）对比分析基于敏感波段、光谱指数和优化指数所建SOM预测模型,优化指数DI/RDVI-SVM模型在0.4阶时的预测精度最佳,Rc2、Rp2和RPD分别为0.99、0.99和4.27,可在后期研究中作为高空遥感反演模型验证的有力工具,为区域较低SOM的大范围监测提供依据。