土壤中微量重金属元素含量的高精度检测,对于我国农业、生态环境修复工作具有重大意义。激光诱导击穿光谱（Laser-induced breakdown spectroscopy,LIBS）技术因其快速检测、微损、多元素同时分析等优势被广泛用于多个领域。传统LIBS技术中由于元素检出限高、自吸收效应、基体效应等因素的存在,严重影响了元素定量分析的精度。因此本文提出采用腔体约束LIBS（cavity confinement LIBS,CC-LIBS）结合机器学习的方法对土壤中微量重金属元素Ni、Ba进行定量分析。针对传统LIBS技术存在的元素检出限高的问题,提出利用CC-LIBS提高谱线强度,降低元素检出限。通过分析实验参数如:压片机压强、LIBS延迟时间,对Ni、Ba元素等离子体特征参数的影响,进而获取最优实验条件。实验结果表明,当压强为160MPa,元素特征谱线较为稳定,延迟时间设置为1μs时,等离子体特征参数达到最优,且腔体约束LIBS可以使得元素特征谱线增大。之后通过谱线积分单变量法对CC-LIBS及传统LIBS条件下Ni、Ba元素含量定量分析,结果表明,腔体约束下的LIBS可以提高定量分析精度,同时元素检出限也在降低。针对LIBS谱线存在的自吸收效应、基体效应等因素严重影响元素定量分析精度的问题。提出通过区间偏最小二乘法（i PLS）结合主成分分析法（PCA）实现对土壤光谱信息特征的提取,之后利用机器学习中的Lasso模型及集成学习中的Ada Boost、RF模型对土壤中Ni、Ba元素进行定量分析,同时优化各模型参数。结果表明,机器学习可以提高定量分析精度,且以Bagging思想为核心的RF模型对微量元素Ni、Ba含量的预测性能最优,RF对测试集中Ni、Ba元素进行预测时,其定标曲线拟合系数R~2分别为0.929、0.891,预测集中均方根误差RMSE分别为3.215、86.13。