本文通过对实测的玉米高光谱数据处理的基础上，分析了玉米生理参数LAI以及叶绿素含量的高光谱反演的模型研究，并利用实测数据和环境卫星的高光谱影像数据对吉林省中西部地区玉米的长势进行监测。本文采用高光谱反射率、一阶微分光谱、光谱植被指数、偏最小二乘法建立了玉米生理参数LAI及叶绿素含量的统计回归模型，充分挖掘利用了高光谱的优势，提高植被生理参数遥感估算的精度。此外，本文还利用半分析模型—三波段方法对玉米叶片的叶绿素含量进行了建模反演。利用以上分析方法对玉米叶面积指数及叶绿素含量进行建模分析，可以得到以下结论：1对于LAI的反演来说，玉米在整个生长季的光谱反射率与叶面积指数的相关系数在可见光波段呈现很强的负相关；在红边处相关系数陡然上升；在近红外波段相关系数由很高的负相关转为较强的正相关，相关关系比较稳定，大多数呈现正相关。而光谱一阶导数与叶面积指数的相关系数在整个波长范围内的波动性比较大，有多个极大值和极小值。对于叶绿素含量的反演来说，在整个生长季中，光谱反射率与叶绿素含量的相关系数在整个波段范围内都比较稳定，呈现出负相关关系。导数光谱与叶绿素的相关系数整体上较反射率与叶面积指数的相关系数高，而且波动性明显大于后者。同一阶导数与叶面积指数的相关关系类似，光谱一阶导数与叶绿素含量的相关性在整个波长范围的波动性比较大，也出现多个极大值与极小值。2本研究利用六种植被指数反演叶面积指数（LAI），各反演方法所取得的结果精度均较高，其中精度最高的是NDVI而最低的是RVI。相对于叶面积指数较高的反演精度，叶绿素的估算精度相对低些。但是，比较用于反演叶绿素含量的各植被指数来看，除了MCAVI/OSAVI的决定性系数较低之外，其余三种植被指数都较高。对比各验证模型的斜率和截距，叶绿素实测数据和估算结果的差值较大。但总体来说，除MCAVI/OSAVI以外的三种植被指数在反演叶绿素时的精度是可以接受的。3偏最小二乘法可以解决高光谱反射率数据存在着自变量较多、潜在因变量的问题，并且可以方便地从校正模型的残差中剔除不适合的样本，达到快速构建最佳模型的效果。在本文的研究中，基于PLS方法反演LAI和叶绿素含量时都可以得到较为理想的结果。LAI的反演精度与基于植被指数反演精度最高的NDVI相差无几，而叶绿素含量的估算结果较基于植被指数的估算精度高。4三波段模型在反演叶绿素含量时可以去除其他色素、背景噪声等因素的干扰，因此在本文的研究中也取得较为理想的结果（R~2=0.703），是一种可行且理想的估算叶片叶绿素含量的方法。另外，对比植被指数以及单波段分析方法可以看出，三波段方法的估算精度明显高于其他两种方法。与偏最小二乘法的估算结果相比较却稍低。5利用HSI影像，基于各植被指数方法在反演LAI时的效果均不错，决定系数在0.5~0.8之间。其中，NDVI的精度最高（R~2=0.773）而DVI的精度最低（R~2=0.506）。在反演叶绿素含量时，虽然建模时模型的决定系数不高（R~2<0.5），但是在进行验证时其精度很高（R~2大于0.9）。另外，验证模型的斜率小于0.4，说明了估算结果低于实测结果。