土壤反射光谱综合反映了土壤的理化性质和内部结构, 高光谱遥感已被用于基于土壤反射光谱特性的土壤分类。 已有研究一般利用土壤反射光谱一阶微分主成分作为输入量进行光谱分类模型构建, 但主成分数据缺乏物理意义, 且缺乏对比性、 适用范围也有限。 与反射率一阶微分数据相比, 基于去包络线提取具有明确物理意义的特征参数, 能够提高土壤分类的精度, 并寻找到一种高精度土壤分类模型。 选取吉林省农安县的四种典型土壤(风砂土、 草甸土、 黑土、 黑钙土), 将采集后的土壤样本进行风干、 研磨、 过2 mm筛处理, 采用ASD FiledSpec3便携式光谱仪对处理后的土壤样本的可见光近红外光谱区进行测试, 从而获得土壤样本的光谱数据。 对光谱数据进行九点平滑、 10 nm重采样处理进行降噪, 将处理后的数据分别进行一阶微分主成分以及去包络线处理。 利用土壤样本的去包络线提取光谱特征参数。 以一阶微分主成分数据和光谱特征参数为输入量分别代入Logistic聚类模型(LR)、 人工神经网络聚类模型(ANN)、 K-均值聚类模型(K-means)。 首先明确了不同土类之间的反射光谱曲线、 去包络线的差异大小, 以及相同土壤的反射率曲线、 去包络线进行土壤分类的优劣, 并且在去包络线的基础上提取能够区分不同土类的光谱特征参数; 其次, 比较一阶微分主成分与光谱特征参数作为输入量时, 三种光谱分类模型精度差异并分析不同模型精度差异的原因。 结果表明: (1)四种土壤的反射光谱曲线差异较小, 去包络线可以极大的增强四种土壤在430～1 210 nm之间的光谱差异, 并在去包络线的基础上构建具有明确物理意义的光谱特征参数。 (2)将一阶微分主成分和光谱特征参数分别代入三种聚类模型可知, 以光谱特征参数为输入量的土壤光谱分类模型均超过了以一阶微分主成分为输入量的模型精度, 由于光谱特征参数保留了原数据的物理意义、 更准确的体现了不同土壤类型之间的差异性, 而一阶微分主成分数据带有一定的模糊性不同范围之间缺乏对比性, 在土壤分类中以光谱特征参数作为输入量更具有优势。 (3)在三类土壤分类模型中, LR的分类精度最高为76.67%, Kappa系数为0.56; ANN的分类精度中等为72.50%, Kappa系数为0.48; K-means的分类精度最低, 只有65.00%, Kappa系数为0.33。 研究成果可为土壤精细制图、 以及土壤分类仪器的研制提供技术支持。