快速、准确的实现黑土地土壤养分的定量化监测对于促进黑土资源有效利用和保护具有十分重要的意义。有机质(SOM)、全氮(TN)、全磷(TP)、全钾(TK)作为土壤中主要的营养物质,常被用来衡量土壤养分水平。传统的含量测定采用实验室化学分析,存在耗时、耗能、污染等方面的问题,调查结果具有滞后性,无法满足土壤动态监测的需求。高光谱遥感技术凭借极高的空间分辨率和丰富的光谱信息,并能够在短时间内实现重复观测,在土壤组分含量的研究中具有绝对的优势。本文以黑龙江建三江垦区为例,采集区域土壤样本,获取了土壤SOM、TN、TP和TK的含量及地面光谱信息。按照CASI/SASI航空高光谱影像的采样间隔,对地面光谱进行了重采样(RS),并在此基础上进行了光谱微分、散射校正、连续统去除等7种形式的光谱变换。通过计算所有光谱形式与各养分含量的相关关系,提取了达到极显著相关水平的特征波段作为模型的自变量,分别构建了四种养分含量的偏最小二乘回归(PLSR)和BP神经网络(BPNN)反演模型。将CASI/SASI影像代入最优的模型进行填图,并采用直方图匹配法对填图结果进行修正,最终得到土壤各养分含量的空间分布。研究发现基于两种方法建立的多种光谱变量模型能成功进行SOM和TN含量的定量预测,其中SD-BPNN模型对二者预测效果最好,模型验证集R~2分别为0.872和0.867,RPD分别为2.618和2.5。TP和TK由于含量相对较低,且特征波段不显著,模型的预测效果同SOM和TN模型存在差距,最优预测模型的RPD均介于1.4~2之间,可以实现两种养分含量的粗略估算。影像光谱与地面光谱的反射曲线差异会导致影像填图精度下降,经过直方图匹配修正能有效提高遥感预测精度,修正后的高光谱遥感填图可以实现SOM与TN的定量预测,以及TK含量的粗略估算,但无法对TP含量进行有效预测。