氮元素是构成植物叶片中叶绿素和蛋白质的主要成分,在叶片光合作用发挥着重要作用,是植物生长过程中重要的营养元素,因此叶片氮含量（Leaf Nitrogen Concentration,LNC）是衡量植物营养水平和健康状况的重要指标。遥感技术由于其采集数据速度快,周期短,逐渐成为估算植物叶片氮含量的有效方式。在实际遥感监测过程中,受探测器自身视场角、随机分布的叶倾角和野外不同光照条件的影响,遥感探测器接收到的反射信息来自植物叶片的不同观测角度。而角度反射信息的大小和分布又会受到与植物叶片内部生化特性无关的表面结构（叶片的表面粗糙度以及蜡质和绒毛等的分布）的影响。目前大多数叶片氮含量估算模型都是基于单一观测角度建立,没有考虑角度反射对于估算精度的影响。因此本研究利用多角度光谱反射信息建立新的估算模型,从而可以更精准地估算植物叶片氮含量。本文选取了20个已经发表的光谱指数,并且为了消除叶片光谱反射信息中表面反射和内部结构的影响,本研究基于多角度光谱反射信息创建了新的差值比值指数DRI:(R700-R675)/(R705-R675)。利用以上21个指数建立不同的线性估算模型并利用这些模型对植物叶片样本的LNC进行预测,结果表明:不同表面结构（植物种类）和不同观测角度的叶片反射数据会影响大多数已经发表的光谱指数与LNC之间的相关关系,从而影响最终估算结果的准确性。本研究提出的DRI指数不受观测角度的影响,同时在各个观测角度与植物叶片样本的LNC都有较强的相关性（R2>0.78）。与其他光谱指数相比,利用DRI指数估算综合观测角度数据的LNC有较高的精度（RMSE=0.42%）,并且能准确预测不同观测角度数据的LNC（RMSE≤0.46%）。除了上述方法外,本文基于多角度光谱反射数据利用偏最小二乘回归的方法建立了LNC估算模型。偏最小二乘回归是一种有效的多元数据分析方法,可以有效消除光谱信息中的噪声,提高估算精度。并且为了简化预测模型,利用连续投影算法对叶片多角度光谱反射数据进行特征波段提取,确定了14个最优特征波段。以连续投影算法优选出的特征波段作为输入变量,以LNC作为响应变量,构建基于偏最小二乘回归的LNC预测模型。结果表明,虽然利用该方法建立的估算模型与LNC有较强的相关性（R2=0.80）,模型的预测表现也较好（RMSE=0.42%）,并且对不同的观测角度数据也有良好的预测表现（RMSE≤0.53%）,但是它并没有比仅利用三个波段建立的DRI指数所获得的估算模型具有更高的预测精度。综上,本研究通过对比DRI指数与偏最小二乘回归方法建立的多角度LNC估算模型,发现了以下结果:利用DRI指数与偏最小二乘回归的方式建立的估算模型对于本研究所使用的多角度观测数据有良好的适用性,并且对于各个观测角度以及综合所有角度数据的LNC均有良好的估算表现。相较而言,新提出的DRI指数不仅使用了较少的波段,运算方式简便,并且在将其应用于不同叶片样本数据集时,可以准确地反映LNC的变化趋势。因此,DRI指数(R700-R675)/(R705-R675)是一种更为简便且有效的植物叶片氮含量的估算方式。