叶片含水量（leaf water content, LWC）的快速监测对于作物的干旱诊断和灌溉决策至关重要。 以叶片、 冠层两个尺度, 原始、 一阶导数两种光谱处理形式的高光谱数据为基础, 采用两波段植被指数如归一化差分（normalized difference spectral index, NDSI）和比值光谱指数（ratio spectral index, RSI）, 偏最小二乘回归（partial least squares regression, PLSR）和竞争自适应重加权采样-偏最小二乘回归（competitive adaptive reweighted sampling-partial least squares regression, CARS-PLSR）三种方法对叶片含水量进行建模分析, 以确定最佳冬小麦叶片含水量预测模型。 结果表明: 三种方法中, 基于叶片一阶导数光谱的CARS-PLSR模型对LWC的预测效果最好, LWC的预测值与实测值高度重合（R2=0.969, RMSE=0.164, RRMSE=6.00%）。 相同条件下, 三种方法的叶片光谱模型对LWC的预测效果均优于冠层光谱模型。 在两波段指数模型以及PLSR模型中, 原始光谱模型对LWC的预测效果优于一阶导数光谱模型, 而在CARS-PLSR模型中结果相反。 在两波段指数模型中, RSI比NDSI具有更高的估算精度。 研究表明, 通过竞争自适应重加权采样方法提取敏感波段后所建立的偏最小二乘回归预测模型, 无论是预测精度还是建模精度, 与两波段指数和偏最小二乘回归模型相比都有了显著提高, 该方法可为精准快速地监测冬小麦旱情以及灌溉决策提供参考。