为探索利用图像分析技术进行冬小麦氮素营养状况监测的可行性，以济麦22和青麦7号两个品种为材料，设置0、60、120、180、240、300kg/hm2纯氮6个施氮水平，进行了两年的田间试验。在每个生长季小麦返青后到抽穗前取样测定了地上部生物量AGB、叶面积指数LAI、叶片氮积累量LNA、叶片SPAD值等指标，并同步采集了冠层图像。比较了最大类间方差法和随机森林算法对冠层图像的分割精度，然后计算了冠层覆盖度CC，提取了sRGB色彩空间的红光通道灰度值 R、绿光通道灰度值 G、蓝光通道灰度值 B，通过色彩空间转换计算CIEL*a*b*色彩空间的分量L*、a*、b*和HSI色彩空间的色相H、饱和度S、亮度 I，并计算了归一化红光值 r、归一化绿光值 g、归一化蓝光值 b、差值指数GMR、比值指数GTR、过绿光指数EXG、归一化差异指数NDI等色彩指数。分析了冠层图像特征与氮素营养状况指标的相关性，构建了氮素营养状况指标的估算模型，以模型构建、模型验证以及交叉验证的决定系数R2、均方根误差RMSE、相对均方根误差RRMSE评价模型的估算精度和泛化性能。最后以Shiny框架开发了小麦氮素营养监测平台。主要结果如下：　　1小麦冠层图像分割　　小麦与土壤在CIEL*a*b*色彩空间的a*分量上具有明显的差异，其密度曲线呈现明显的双峰性，在其他的单个色彩分量上则区别不明显。基于 CIEL*a*b*色彩空间a*分量的最大类间方差法和基于sRGB和CIEL*a*b*色彩空间的随机森林两类三种方法的分割精度均超过99％，最大类间方差法的分割精度略低于随机森林，两个随机森林模型之间差异较小，体现出随机森林算法在图像分割上的优势。　　2地上部生物量的估算　　冬小麦地上部生物量与冠层覆盖度的相关性较强，两年的相关系数均大于0.8，达到极显著水平。以冠层覆盖度和其他图像特征为自变量，利用逐步回归和人工神经网络构建的两个估算模型中，无论是训练集还是验证集上，神经网络模型的决定系数更大，均方根误差和相对均方根误差更小，与逐步回归模型相比具有更高的估算精度。　　3叶面积指数的估算　　叶面积指数与冠层覆盖度呈极显著正相关，两年的相关系数分别为0.905和0.910，与红光值R和绿光值G呈极显著负相关。以冠层覆盖度、红光值R、绿光值 G、蓝光值 B为自变量，利用多元非线性回归和神经网络构建的两个模型中，神经网络具有更高的估算精度和泛化性能。　　4叶片氮积累量的估算　　叶片氮积累量与CC极显著正相关，与R、G分量呈极显著负相关；叶片氮积累量与部分色彩指数间呈极显著相关，其中与 GMR、GTR呈正相关，而与EXG呈负相关。以冠层覆盖度外加色彩指数、色彩分量的2种非线性回归，以及人工神经网络、支持向量回归、随机森林3种机器学习算法建立了冬小麦叶片氮积累量估算模型，利用除GMR或EXG外的非线性回归模型的估算精度稍低于其他方法，而随机森林算法的拟合精度最高，但存在明显的过拟合现象。以冠层覆盖度及色彩分量为自变量的支持向量回归和人工神经网络方法，具有较高的拟合精度和泛化性能。　　5叶片SPAD值的估算　　叶片与sRGB、CIEL*a*b*和HSI三个色彩空间分量值的相关分析表明，SPAD值与除S外的色彩分量的相关性均达极显著水平，其中与H、b*、R的相关性较强。分别以三个色彩空间构建的集成神经网络模型的叶片SPAD值估算精度差异不大，HSI色彩空间表现较好。　　6小麦氮素营养状况监测平台的开发　　以Shiny框架开发的小麦氮素营养状况监测平台，可通过浏览器访问，具有跨平台、跨终端的优势，在PC端和手机端都能使用。　　总体上，基于冠层图像分析技术监测返青后到抽穗前的冬小麦氮素营养状况是可行的。以线性RGB值估算氮素营养指标并与其他精细农业相关技术的集成是下一步的工作目标。