光合色素的含量以及叶片含水率直接影响作物的生长,可以反映作物生长状态的叶片颜色在田间性状调查中起着至关重要的作用。多光谱成像技术是光谱技术与图像技术的结合,可以精确地检测图像中每一个像素点的光谱数据与图像信息,为可视化与精准快速检测提供技术支持。针对特殊的白菜种质资源,本文采用光谱图像技术结合机器学习算法对白菜叶片的含水率、叶绿素a、叶绿素b、总叶绿素、类胡萝卜素、相对叶绿素含量以及叶色进行定量模型研究。精确估算这些参数对白菜的健康状态、长势监测以及田间性状的精准调查具有重要的意义。本研究的具体内容如下:（1）针对人眼对白菜叶色分类的不准确性与效率低的问题,本文首先利用19通道多光谱成像设备VideometerLab 4采集样本叶片的多光谱图像进行叶色分类的预试验,参照白菜性状DUS中的叶色标准将全波段原始数据、RGB三通道的灰度值的数据建立无监督五分类模型。RGB三通道灰度值分类类别与19通道灰度值的分类类别匹配率为92.31%。再次利用4通道多光谱成像系统同时采集样本叶片、标准叶片与比色卡的多光谱图像,分别建立了基于比色卡与标准样本的定量分类模型。研究发现以标准样本建立的4通道灰度值分类模型可以将RGB 3通道灰度值分类模型容易混淆的灰绿、浅绿、深绿三个颜色分开。因此,利用多光谱图像技术可以实现白菜在黄绿,浅绿,绿,灰绿,深绿五个标准叶色的快速准确分类。（2）针对白菜生理参数估测问题,首先利用光谱仪采集白菜叶片的光谱数据信息,之后通过预处理方法与降维分析方法进行数据处理,并采用经典回归算法、卷积神经网络算法与广义线性模型建立估测模型。本文建立了白菜叶片含水率的18个估测模型、五个时期白菜光合色素和相对叶绿素含量（SPAD）的25个估测模型与综合所有时期白菜光合色素和SPAD值的15个估测模型。研究得出经正交信号校正预处理后的含水率估测模型最优,其R2为0.90,RMSE=9.87,RPD=2.93。在光合色素与SPAD的估测模型中,因为采用的试验样本为处于幼苗期、莲座期、结球前期、结球中期与结球后期五个时期的两个白菜品种,为了提高各生理参数模型的估测效果,建立了引入品种类别变量与时间变量的广义线性模型,该模型的均方根误差均小于其余估测模型的均方根误差。（3）针对白菜相对叶绿素含量估测问题,本文实现了白菜叶片SPAD的分布可视化的同时验证了利用卷积神经网络对白菜叶片相对叶绿素含量估测的可行性。采用多光谱成像设备采集白菜叶片的多光谱图像信息,将样本每一像素点的光谱数据代入最优的估测模型实现了白菜叶片SPAD的分布可视化。本文同时采用深度学习算法进行白菜SPAD定量模型的研究,利用一维卷积神经网络（1D-CNN）结合光谱数据、二维卷积神经网络（2D-CNN）结合多光谱图像实现叶片 SPAD 的估测研究,1D-CNN 的验证集 Rp2=0.67,RMSEp=3.72,2D-CNN的验证集的 Rp2=0.78,RMSEp=3.08。