土壤无机碳（SIC）是维持干旱、半干旱地区脆弱生态系统碳循环的关键指标,它关系到陆地生态系统碳循环的平衡与碳固存速率。工业革命以来,人们各种生产、生活行为给大气排放了大量温室气体,加速了全球气候变暖速度,不利于实现环境的可持续发展,并对土壤无机碳吸收大气二氧化碳维持陆地生态系统碳循环稳定产生极大的消极影响。因此,在全球气候变暖的环境下,快速检测干旱、半干旱地区土壤无机碳含量对我国干旱地区发展“精准农业”、维护脆弱生态系统和环境稳定具有重要意义。传统实验室方法测定土壤无机碳含量具有费时费力不环保的问题,随着遥感技术与计算机技术的发展,大力促进了高光谱技术和机器学习算法在土壤光谱与土壤理化性质的研究。本研究分别对四种数据预处理后的土壤光谱反射率数据和在此基础上使用两种光谱降维方法所获得的降维波段分别建立四种土壤无机碳的定量估测模型,总计得到48个土壤无机碳估测模型,从中选取精度最高的模型作为土壤无机碳反演模型。主要研究成果如下:（1）考虑到原始光谱存在较为明显的噪声,去除350-399nm和2401-2500nm的光谱反射率,保留400-2400nm波长范围的光谱反射率数据。对其分别进行多元散射校正、Savitzky-Golay平滑、一阶微分、最大最小归一化预处理,可有效降低光谱信号噪声,有利于实现后续土壤无机碳含量建模。不同光谱数据预处理方式后的高光谱数据与土壤无机碳含量之间存在显著的相关性。（2）连续投影算法在多元散射校正、Savitzky-Golay平滑、一阶微分、最大最小归一化后的土壤光谱数据中分别提取到4、8、3、8个敏感波段,说明连续投影算法具备有效降低光谱维度的能力。主成分分析对四种数据预处理筛选出的十个主成分中前三个主成分方差值占主成分方差和的比例值均高于0.85,说明主成分分析能够对土壤无机碳光谱进行有效降维。（3）光谱反射率经过四种预处理方法、连续投影算法筛选出的敏感波段、主成分分析方法筛选出的十个主成分波段分别建立偏最小二乘回归、BP神经网络、随机森林、支持向量机模型进行对比分析,得出:在随机森林模型中土壤光谱反射率一阶微分的模型精度最高,交叉验证的R2为0.73,RMSE为0.22,土壤无机碳反射率经过一阶微分后结合随机森林反演模型具备预测土壤无机碳含量的能力,因此可以使用一阶微分与随机森林模型相结合用于土壤无机碳含量建立反演模型。（4）土壤无机碳反射率经过一阶微分处理后结合随机森林构建的土壤无机碳含量的反演模型验证集的R2=0.82,RMSE=2.76,RPD=1.46。说明预测值与实测值之间存在相对较好的线性关系,即反演模型精度可靠且模型估测能力稳定,可以充分满足南疆荒漠区土壤无机碳含量的反演建模要求。相比较本文所选机器学习中BP神经网络和支持向量机回归模型而言,它具有模型精度高,便于调整参数,模型鲁棒性强的特点。（5）经过处理后的光谱反射率与机器学习建模方法相结合可以建立精度高,估测能力适中的土壤无机碳反演模型。构建机器学习模型具备估测在土壤碳循环中扮演重要角色的土壤无机碳含量的能力,并为实际截获大气二氧化碳提供科学参考依据,为大规模高效估测土壤理化性质提供了新的思路与方法。本文通过荒漠区野外采集土壤样本进行光谱测量和实验室无机碳含量测量,将一系列土壤预处理方法、降维方法分别与偏最小二乘回归模型、机器学习模型相结合,得到在该地区进行适宜的土壤无机碳定量反演建模流程,得到模型精度高且模型稳定的一阶微分与随机森林模型结合的土壤无机碳反演模型。这对维持荒漠生态系统碳固存稳定和探讨荒漠土壤中土壤无机碳变化机理有着重要意义。