为了便于经济合理的生菜施肥, 研究一种生菜叶片氮素水平智能鉴别方法。 在温室大棚内无土栽培不同氮素水平的生菜样本, 在特定生育期, 采集各类氮素水平生菜样本, 利用FieldSpec○R 3型光谱仪采集生菜叶片高光谱数据。 由于原始高光谱数据存在噪声且冗余性强, 利用标准归一化(SNV)对原始高光谱数据进行降噪处理, 再利用主成分分析方法(PCA)对高光谱数据进行特征提取。 分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究, 由于自适应提升法(Adaboost)能提升弱分类器分类性能, 将其分别引入到KNN和SVM两种分类器中, 提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。 分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。 结果表明, KNN, SVM, Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%, 87.34%, 100%和100%, 其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好, 且Adaboost-SVM分类算法的稳定性最好。 因此, Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法, 并且也为其他作物营养元素无损检测提供了一种新的方法。