本项目以生菜为研究对象，无土栽培不同氮素水平的生菜，观测作物样本叶片表面的微结构、内部叶肉细胞超微结构，研究了不同氮水平下的微观形态差异。研究了生菜氮素水平对叶片图像、光谱的影响，结果表明，不同氮素水平下的生菜的光谱信息表现出了差异性和类别性，可以通过光谱技术来检测氮素水平；叶片图像信息与氮素水平存在相关性，可利用叶片图像信息来反演叶片氮素状况。研究了生菜各种氮素水平对叶绿素荧光参数的影响，结果表明氮素水平与叶绿素荧光参数之间存在较好的相关性。从而进一步深入研究了叶片氮素的检测机理。研究了高光谱图像中光谱数据的预处理方法，分析比较了多种预处理方法，发现正交信号校正预处理方法最好。研究了高光谱图像的光谱特征波长选取方法，采用PLS回归系数法，优选出了特征波长。通过对高光谱图像进行主成分分析，得到了3幅主成分图像和4幅特征波长图像，并对7幅图像提取基于图像灰度共生矩（GLCM）的纹理特征，发现提取出的纹理数据与实测的生菜叶片氮素值之间具有一定的相关性。研究了定性分析算法，将自适应提升算法（Adaboost）分别引入到SVM分类器和KNN分类器中，构造了Ada-SVM和Ada-KNN两种组合分类器，使得生菜氮素分类精度得到了较大的提升。对SVM分类器中的核函数和核函数参数进行了一定的研究，提出了基于MSCPSO的混合核SVM分类器，使得SVM的分类精度得到了一定的提升。利用信息融合方法，在特征层面上构建基于高光谱图像特征波长数据和荧光图像参数特征数据的总特征空间。研究了MLR、PLSR和SVR共3种定量建模预测算法，发现生菜叶片氮素含量SVR预测模型的性能比MLR模型和PLSR模型的性能好。研究了分别基于高光谱图像、基于荧光图像参数、基于高光谱及荧光图像信息融合建立的生菜叶片氮素含量模型，基于高光谱图像的PLSR模型的决定系数为0.81，均方根误差为0.45；基于荧光图像参数的PLSR模型的决定系数为0.81，均方根误差为0.45；基于高光谱及荧光图像信息融合的PLSR模型的决定系数为0.86，均方根误差为0.38，从而发现基于高光谱及荧光图像融合信息建立的模型的性能优于其他两个模型。通过本项目的研究，课题组提出的这种基于高光谱及荧光图像多信息融合的生菜氮素无损检测方法，突破了基于视觉图像和光谱技术诊断精度低、普适性差的局限，为生菜的高效施加氮肥提供了一定的依据。