高光谱物质反演是将高光谱遥感技术应用于实际的生产生活中的一个重要的研究方向。高精度的反演算法有利于科研工作者获得更准确的地面物质信息。叶面积指数(LAI)是研究一定区域内植被生长状况的一个常用的衡量参量。传统的基于高光谱图像的叶面积指数反演方法经常使用特定波长的反射率或者由若干个波长的反射率组合生成的光谱指数,其存在反演准确度不高的现象。为了改善这个问题,依据光谱的吸收峰特征能够反演物质内在的结构特点,本文将研究重点放在使用高光谱的多种吸收峰特征反演植被的叶面积指数,主要的工作如下所示:(1)介绍高光谱反演的基本知识和国内外目前的研究状况,指出目前反演叶面积指数的常用方法和使用吸收峰特征反演物质的一些优势。(2)提出使用吸收峰特征反演植被的叶面积指数。先对原始光谱进行预处理,接着提取出吸收峰特征。计算不同的吸收峰特征及其组合与叶面积指数的经验线性、指数、幂指数、对数、BP神经网络、支持向量机模型。同时以光谱反射率或者光谱指数为输入,在同一种的模型下进行反演。分析比较它们反演模型的效果,并且使用测试样本对最佳模型进行验证。实验结果表明:在同一个模型下,吸收峰的部分特征较光谱反射率或者光谱指数反演精度更高,偏差更小。(3)提出使用多尺度的方法获得吸收峰特征,建立不同尺度下的吸收峰特征与叶面积指数的经验线性、指数、幂指数、对数模型。同时对比多个吸收峰特征反演叶面积指数的支持向量机回归模型的效果。多尺度方法为Fingerprint(指纹)法和MMMT(最大模数小波变换)法。实验结果表明:在不同的分辨率下获得的吸收峰特征是不一样的;选择最佳的分辨率可以有效改进反演模型的精度;MMMT法获得的反演模型精度要优于Fingerprint法;位于可见光范围内的吸收峰反演LAI的效果是最好的。