冬小麦叶面积指数（leaf area index, LAI）是进行作物长势判断和产量估测的重要农学指标之一， 高光谱遥感技术为大面积、 快速监测植被LAI提供了有效途径。 在探讨利用最小二乘支持向量机（least squares support vector machines, LS-SVM）方法和高光谱数据对不同条件下冬小麦LAI的估算能力。 在用主成分分析法（principal component analysis, PCA）对PHI航空数据降维的基础上， 利用实测LAI数据和高光谱反射率数据， 构建LS-SVM模型， 采用独立变量法， 分别估算不同株型品种、 不同生育时期、 不同氮素和水分处理条件下的冬小麦LAI， 并与传统NDVI模型反演结果对比。 结果显示， 每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。 NDVI模型对不同株型品种、 不同氮素和水分条件下冬小麦LAI估算精度不稳定，　LS-SVM则表现出较好的稳定性。 表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。

叶面积指数（leaf area index, LAI）是反映作物生长状况和进行产量预测预报的主要指标之一, 对诊断作物生长状况具有重要意义。 遥感技术为大面积、 快速监测植被LAI提供了有效途径。 利用高光谱遥感影像, 结合田间同步实验数据, 探讨不同方法对冬小麦叶面积指数遥感反演的能力。 介绍了支持向量机、 离散小波变换、 连续小波变换和主成分分析四种LAI反演方法。 分别利用上述四种方法构建冬小麦LAI反演模型, 并对不同算法反演的LAI模型进行了真实性检验。 结果显示, 支持向量机非线性回归模型精度最高, 对冬小麦LAI估算能力最强, 反演值与实测值拟合的决定系数为0.823 4、 均方根误差为0.419 5。 离散小波变换法和主成分分析法都是基于特征提取和数据降维, 其多元变量回归分析对LAI估算能力相近, 决定系数分别为0.697 1和0.692 4, 均方根误差分别为0.605 8和0.554 1。 连续小波变换法回归模型精度最低, 不适宜直接用其小波系数来反演LAI。 结果表明, 非线性支持向量机模型最适宜用于研究区域的冬小麦LAI反演。