【摘要】土壤氮元素是土壤肥力的一个重要指标，掌握土壤氮元素含量的变化是观测农作物的发育状况及时空变化规律等的基础。利用高光谱对土壤氮元素进行反演，可为精准农业地表土壤元素快速测定提供参考。为实现对土壤中氮元素含量的快速测定，以沈阳农业大学海城试验田为例，对土壤原始反射率进行了一阶导数变换，运用等距特征映射算法（isometric feature mapping,lsomap）、竞争性自适应重加权采样法（competitive adapative reweighted sampling, CARS）对一阶导数光谱数据进行降维并提取出相关特征。运用BP神经网络（back propagation neural network,BPNN）、GA优化（GA-BPNN）以及经过NSGA-Ⅲ优化后的BP神经网络（NSGA-Ⅲ-BPNN）3种分析方法建立土壤全氮的高光谱反演模型，并利用决定系数（R~2）和均方根误差（root mean square error,RMSE）对反演模型进行评价。结果表明：经过ISOMAP进行的降维相对于CARS能有效的对特征进行提取。优化后的神经网络模型建立的土壤养分含量预测模型优于未优化的神经网络，能极好地预测土壤中的氮元素含量。基于Isomap降维后的NSGA-Ⅲ-BPNN的模型的反演模型预测效果最好，最终预测土壤全氮含量训练集为R~2=0.842、RMSE=0.077，测试集R~2=0.826、RMSE=0.089。反演精度高于GA-BPNN和BPNN的模型反演精度，与其他模型组合相比，该组合可以为土壤氮元素含量的反演研究提出一种新的方法。