通过高光谱遥感技术可以快速获取作物生长信息,并定量监测作物生长过程和反演生物理化参量,从而为精准施肥技术提供技术支持。本研究以冀谷38为研究对象,利用无人机搭载高光谱平台测定谷子拔节期、抽穗期、灌浆期和成熟期的反射光谱数据并测定叶绿素相对含量（Soil and Plant Analyzer Development,SPAD值）、叶面积指数（Leaf Area Index,LAI）、地上生物量（Above-Ground Biomass,AGB）和产量多项农学参数,获取各生育期经Savitzky-Golay平滑的原始光谱和一阶微分光谱,分析四个生育期的理化特征、计算光谱指数和“三边”参数,并将上述参数与SPAD、LAI等农学参数进行相关性分析,筛选出相关性稳定的敏感参数,并基于敏感参数建立一元线性模型、偏最小二乘回归（Partial Least Squares Regression,PLSR）模型、BP神经网络模型及RBF神经网络估测模型,并对模型进行精度检验,从而为动态监测谷子生长状况、进行精准施肥提供理论基础和技术支持。主要研究结果如下:（1）光谱反射率随着生育期的推进而降低,在成熟期反射率达到了最低。原始光谱在550～660 nm之间出现下降趋势,在700～780 nm之间波段开始急剧上升。光谱反射峰出现在550nm,吸收谷出现在680nm。一阶微分光谱在680nm开始急剧上升并在740 nm处达到峰值,随后开始下降,光谱反射峰在510 nm和740 nm处。（2）谷子SPAD值、LAI随着时期的变化呈现先增加后降低的趋势,AGB随着时期的变化呈现增加的趋势。谷子施氮与不施氮肥相比,谷子SPAD值、LAI、AGB和产量显著增加。随着施磷量的增加,谷子SPAD值的变化不明显;AGB在抽穗期和成熟期呈现增加的趋势,但拔节期增加不明显。而随着施钾量的增加,谷子LAI在抽穗期有显著增加,其他时期增加不显著;SPAD值和AGB在拔节期和灌浆期增加不显著,产量与不施钾肥相比有显著增加。（3）利用BP神经网络模型在谷子拔节期、灌浆期估测SPAD值以及叶面积指数的效果最好;利用RBF神经网络在抽穗期估测谷子SPAD值效果最好;利用PLSR模型在抽穗期估测谷子叶面积指数效果最好。（4）利用PLSR模型在灌浆期、成熟期及全生育期估测谷子地上生物量效果最好,在抽穗期、成熟期估测谷子产量效果最好;利用BP神经网络在抽穗期估测谷子地上生物量效果最好,在灌浆期估测谷子产量效果最好;利用一元线性模型在拔节期估测谷子产量效果最好;综上所述,相较于一元线性模型,应用多元回归模型估测谷子各项农学参数的效果较好,总体来说,SPAD值、LAI利用BP神经网络建模效果较好;AGB和产量以PLSR的进行总体建模的效果最好。