氮素是影响烟株生长发育以及烟叶质量最重要的元素,及时准确的获取烟株氮素信息对烟叶生产、节约资源和保护环境具有重要意义。与传统的垂直向下的观测方式相比,多角度遥感包含作物的空间结构信息,具备反演作物的整体信息的潜力。为快速、准确的获取烟株氮素信息,本研究采用ASD光谱仪,连续两年测定不同生育时期、不同施氮水平、不同区域、不同品种的烟株冠层多角度光谱反射率,采用减量精细采样法,系统分析了不同处理条件下350～2 500 nm光谱范围内任意两波段的光谱反射率组合构建的RVI、NDVI同烤烟叶片氮密度的定量关系,利用光谱指数筛选了核心波段和最佳观测角度,并以光谱指数为自变量建立了最佳角度时叶片氮密度的一元线性回归模型、多元线性逐步回归模型和BP神经网络模型。主要结论如下:1.不同处理的叶片氮密度变化在三个生育期内,不同施氮水平的叶片氮密度随着施氮量的增加而增大,表现为T4（60kg/hm 2）>T3（45kg/hm2）>T2（30kg/hm2）>T1（15kg/hm2）>CK（0kg/hm2）,成熟期这种趋势更加明显,T3和T4处理的叶片氮密度明显高于另外三个处理。洛阳和三门峡地区的叶片氮密度随生育期的推移呈现递增的趋势。在各时期叶片氮密度均表现为中层>上层>下层,且各叶层的叶片氮密度均随生育期的推移而增大。2.不同叶层氮密度最佳观测角度RVI、NDVI与整株叶片氮密度的决定系数（R2）均在40°-180°出现最大值,因此40°-180°是监测整株叶片氮密度的最佳角度,上层叶片氮密度的最佳观测角度为10°-180°,中层叶片氮密度的R2最大的角度为30°-150°,下层叶片氮密度最佳观测角度为50°-150°。研究发现,无论是对整株反演还是分层反演,最佳方位角均位于与太阳异侧的位置,R2较大的前几个角度也多位于与太阳异侧的范围内。3.敏感波段的筛选RVI与整株叶片氮密度的R2大于0.7的波段范围约为（1 035～1 559nm,1 518～1 585 nm）、（1259～1 274 nm,1 297～1 304nm）、.（1 674～1 724nm,1 730～1 749 nm）等,核心波段为 1 720 nm和1 740nm。RVI与上层叶片氮密度的R2大于0.7的波段范围约为（509～521nm,659～676nm）;核心波段为510nm和670 nm,均位于可见光区域。RVI与中层叶片氮密度的R2大于0.7的波段范围主要为（1 202～1 222 nm,1 258～1 271 nm）,核心波段为1 220 nm和1 260 nm。RVI与下层叶片氮密度的R2大于0.7的波段范围主要为（649～653nm,689～692nm）,核心波段为650nm和690 nm,位于可见光区域。NDVI和RVI变化趋势基本一致,波段范围也基本相似。在可见光区域,0.4～0.7 μm的大气透过率大于95%,在近红外窗口,1.55～1.75μm范围内的透过率较高。整株叶片氮密度、上层叶片氮密度和下层叶片氮密度的核心波段均位于大气窗口内。4.叶片氮密度预测模型预测整株叶片氮密度的4个模型的R2分别为0.791、0.791、0.837、0.955,对模型进行检验均方根误差（RMSE）分别为2.367、2.373、2.236、0.563。上层叶片氮密度的4个模型的决定系数分别为 0.724、0.713、0.736、0.924,RMSE 分别为 3.516、3.686、3.609 和 1.024,三个线性预测模型效果差别不大,BP神经网络的预测效果最好。中层叶片氮密度的预测模型的决定系数分别为0.727、0.728、0.735、0.979,利用独立数据对模型进行检验,RMSE分别为5.915、5.907、6.003、1.790。下层叶片氮密度的预测模型的R2分别为0.765、0.768、0.848、0.943,对模型进行检验,RMSE分别为3.016、3.066、3.667和0.980。多元线性回归模型的预测效果要比两个一元线性模型好,非线性模型BP神经网络的预测效果最好。各个叶层的模型中BP神经网络均表现出最小的RMSE和最大的R2,BP神经网络具有强大的非线性映射能力,可用于大田氮素状况的监测。本研究为大田试验,建模和验证样本包含不同年份、不同生育时期、不同的地区地形、不同品种和不同的施氮水平,所建模型对烤烟具有较强的适用性,针对不同部位叶片,也建立了相应叶层的氮密度预测模型,可用于预测大田烤烟的氮密度信息,为烤烟生长精准管理提供理论依据。