土壤的红外光谱能反映土壤中各物质或基团的存在情况，基于热弹效应的光声光谱(PAS)还能反映土壤的一些有机物和无机物的结构特征，因此，土壤的红外光声光谱是土壤综合信息的反映。在面源污染监测中，红外光声光谱提供了一种快速、高效的检测手段。本文利用红外光声光谱，以多种土壤样品为研究对象，分析这些土壤样品的光谱特征，考察了黑土、红壤和水稻土三种典型土壤的光谱差异，并研究了养分淋溶较为剧烈的温室土壤的红外光声光谱变化；以对向传播网络(CPN)和概率神经网络(PNN)为手段，研究基于土壤光谱的土壤分类；采用偏最小二乘法(PLS)和反向传播神经网络(BPN)对土壤光谱进行建模，并考察模型预测土壤养分的能力；以土壤光声光谱为基础，采用主成分分析方法抽取光谱主要信息，结合空间插值方法进行绘图，获得基于土壤光声光谱的面源污染地区养分快速绘图方法；采用衰减全反射光谱(ATR)研究温室土壤盐分特征，并结合主成分分析和自组织特征映射神经网络(SOM)的方法，研究温室土壤性质的变化。主要结论为：　　 比较了黑土、红壤和水稻土三种典型土壤的红外光声光谱，发现红壤在约3620 cm-1处的吸收峰与高岭石在此处的峰基本重合，并使之可以与其它两种土壤区别开来，可以作为红壤鉴别的一个重要参考。黑土和水稻土的红外光声光谱也存在明显的吸收差异，在1200-1700 cm-1和900-1100 cm-1两个区段的相对吸收强度明显不同，900-1100 cm-1区域的吸收明显低于1200-1700 cm-1区域的吸收，可能是因为所含土壤粘土矿物的组成不同造成的。　　 对于温室土壤，相对应的露地土壤的光谱较为接近，而随着种植年数的增加，温室土壤的光谱特征差异越来越趋于显著，特别是在表现土壤持水能力的2500-3800 cm-1区域，这说明随着耕作年数增加，由于采用不同种植方式，原本性质较为接近的土壤发生较大的变化，样品间差异性不断变大，在红外光谱上表现出不同的吸收特征，同时，个别样品可能由于有机物累积及矿物风化较强的原因，逐渐失去了一些特征吸收。　　 分别采用BPN和PNN对土壤的红外光声光谱进行基于光谱的土壤鉴定。反向传播可以达到较好的鉴定效果，但仍有误判。使用概率神经网络能够极大提高鉴定准确度，并且网络收敛速度极快，是进行土壤鉴定与分类的理想方法。　　 利用PLS和BPN两种定量模型对土壤养分参数进行预测，非线性BPN模型要优于线性PLS模型。对于三种土壤的定量模型，水稻土和黑土模型的定量效果较好，而采自江西的红壤样品，样品较复杂，性质变化较大，定量效果稍差，可以考虑在土壤分类的基础上进行定量分析。全氮、全磷、全钾的定量效果好于速效氮、速效磷和速效钾，可能是一些非速效养分基团在光谱上的贡献较大，但因为缺少相关的化学分析数据，未能进行深入探讨。pH和有机质的定量效果都比较精确，这是因为羟基和含碳基团的红外活性较高，反映出的信息较全面。　　 结合了主成分分析和SOM对土壤的红外衰减全反射光谱进行分析，获得较好的分类效果。使用主成分分布可知，不同耕作时期其养分各不相同，影响速效磷、总盐量等的因素的特征吸收带主要在约900-1500 cm-1区域，通过对主成分分析可以监测温室土壤盐分的变化。通过比较ATR光谱和PAS光谱对硝态氮的预测可知，对于水溶性养分的监测，ATR光谱更为准确，还可以用于淋溶水体中养分的测定，有巨大的发展前景。　　 以土壤中红外光声光谱并结合化学计量学和空间插值的方法可实现土壤氮、磷等养分的空间制图，该方法快速简便，并可实现高精度的制图，为土壤养分的快速适时监测和面源污染的监控提供新的技术。