水稻是世界三大粮食作物之一,是我国主要粮食作物,对水稻生产进行精准管理有助于保障国家的粮食安全。利用高光谱遥感技术准确、快速、无损地监测水稻叶片叶绿素和全氮含量有助于实时掌握水稻的营养状况和生长态势,为后续的水肥管理提供科学指导。本研究以大田试验的水稻为研究对象,采集不同生育期的水稻冠层和叶片高光谱数据及对应的生理生化参数（SPAD值和叶片氮含量（leaf nitrogen content,LNC））,探索水稻冠层和叶片高光谱特征及其对生育期、SPAD值和全氮含量的响应规律,利用相关性分析方法,明确了与SPAD值和LNC相关性高的特征波段、特征参数和植被指数,并结合一元线性回归、多元逐步线性回归（multivariate stepwise linear regression,MSLR）和BP神经网络（BP neural network,BPNN）算法建立了水稻SPAD值和LNC高光谱估算模型。主要结论如下:（1）水稻叶片光谱反射率整体上高于冠层光谱反射率,两者对不同生育期、SPAD值、LNC有相似的响应规律。从分蘖期到抽穗期,光谱反射曲线在可见光波段逐渐下降,在近红外波段逐渐上升,红边位置表现为“红移”、红边幅值和红边面积逐渐增大;从抽穗期到灌浆期,光谱反射曲线在可见光波段逐渐上升,在近红外波段逐渐下降,红边位置表现为“蓝移”、红边幅值和红边面积逐渐减小。（2）基于冠层和叶片光谱的水稻叶片SPAD值估算:其中,基于冠层光谱的最佳估算模型为以RVI(R_{1 300},R₇₆₅)和NDVI(D₅₄₄,D₇₃₀)构建的BP神经网络模型。基于叶片光谱不同生育期有不同的最佳叶片SPAD值模型,拔节期最佳模型为以RVI(D₇₃₀,D₇₅₆)建立的幂函数,抽穗期最佳模型为以RVI(D₆₃₅,D_{1 123})建立的幂函数,灌浆期最佳模型为以RVI(D₇₁₈,D₅₇₁)建立的多项式模型,全生育期最佳模型为以D₅₃₄、SDr/SDy、DVI(R₅₇₀,R₅₁₃)、DVI(D_{1 120},D₅₇₄)、RVI(D₇₁₉,D₅₉₄)建立的多元逐步线性回归模型。（3）基于冠层和叶片光谱的水稻LNC估算:其中基于冠层光谱的最佳模型为以RVI(R₆₈₇,R₆₀₀)构建的BP神经网络模型。基于叶片光谱构建的模型整体水平不高,尤其是分蘖期和拔节期。抽穗期、灌浆期和全生育期模型精度相对较好,最优模型分别为由DVI(D₄₉₂,D₄₆₀)和RVI(D₆₀₆,D₅₈₁)建立的多元逐步线性回归模型、由DVI(D₄₄₃,D₇₇₆)和RVI(D₅₀₀,D_{1 017})建立的BP神经网络模型和由R₆₉₆、D₈₅₄、DVI(R₄₅₂,R₄₃₉)、DVI(D₅₇₉,D₅₇₇)和RVI(D₅₉₃,D₅₆₀)建立的BP神经网络模型。