为探讨分数阶微分（FOD）联合支持向量机分类-随机森林模型改善高光谱监测荒漠土壤有机质含量（SOM）的效果，对以色列Sde Boker荒漠地区采集的砂质土（SS）和黏壤土（CLS）样品，经理化分析和室内光谱测定，依据光谱的平均反射率建立支持向量机分类模型（SVMAD），并对不同土质高光谱原始反射率，分别经0～2阶（间隔0.2）的分数阶微分处理，构建归一化光谱指数（NDI），分析NDI和SOM之间的二维相关性，并筛选敏感的NDI指数，以此建立不同FOD的随机森林（RF）模型，并以不同土质中的最佳模型进行组合，构建新的SVMDA-RF模型。结果表明：基于光谱平均反射率的SVMDA，对土壤质地的分类正确率可达100%；分数阶微分耦合光谱指数，具有放大波段间与SOM有关隐含信息的能力，经FOD提升敏感指数的数量在0.6阶时，均达到峰值，但黏壤土的敏感指数数量远大于沙质土；由不同FOD敏感指数建立的RF模型中，砂质土在1.2阶的模型最佳(R_c²=0.962，R_p²=0.920，RMSEP为0.435g/kg，RPD为3.658)，黏壤土在0.6阶的模型最佳(R_C²=0.942，R_P²=0.944，RMSEP为0.554g/kg，RPD为4.316)；经最佳模型组合后的SVMDA-RF模型，砂质土和黏壤土的模型精度都有所提高，其中R_C²=0.980，R_P²=0.979，RMSEP为0.481g/kg，RPD为7.004。研究成果可为快速评估荒漠土壤有机质含量提供依据。