光谱已经应用于土壤养分速测的分析, 但是如何寻找土壤光谱特征波段, 尽最大可能避免无用信息干扰、 保留有用信息, 建立准确度高、 预测效果好的模型仍是一个亟需解决的问题。 以青岛三个不同地区土壤样品为例, 测定土壤样品的紫外-可见-近红外光谱及其总碳（TC）、 总氮（TN）、 总磷（TP）含量; 分别采用连续投影算法（SPA）、 无信息变量消除法（UVE）、 遗传算法（GA）、 相关系数法（CC）四种算法（四种单分类器）对土壤光谱提取特征波长; 再引入投票法和加权投票法的多分类器融合方法将四种算法融合得到特征波长; 以偏最小二乘回归（PLSR）建立各土壤养分含量的模型, 通过对模型效果的评价标准（建模集绝对系数R2c、 校正均方根误差RMSEC、 检验集绝对系数R2p、 预测均方根误差RMSEP和相对分析误差RPD值）来判别各单分类器算法和多分类器融合算法对土壤养分含量特征波长的提取效果。 分别对四种算法、 筛选其中三种算法、 最优二种算法进行融合, 分析融合后模型效果和特征波长个数, 结果表明: 将四种单分类器经投票法融合后, 其模型效果大部分不如单分类器, 且相对好的模型特征波长个数较多; 相较于投票法多分类器融合, 四种单分类器经加权投票法融合模型效果有了一定的提高, TC和TN都能够在较少的波长中获得较好的预测效果, 但仅TN经融合后, 模型效果优于每个单分类器; TC, TN, TP分别在取SPA+UVE+GA, SPA+UVE+GA（或SPA+GA+CC）、 SPA+UVE+GA三种单分类器进行加权投票法融合后, 均能获得最优模型效果, 且明显优于每个单分类器, 模型效果有了显著提高; 各土壤养分含量经两个最优单分类器加权投票法融合后, 仍能得到好于最优单分类器的建模效果, TC和TP建模效果略差于三个单分类器融合结果, TN建模效果与三个单分类器融合结果相同。 因此, 在筛选三种算法融合, 且其中包含最优两种算法的情况下, 能够以较少的特征波长个数获得明显高于单分类器的建模效果。 该方法为寻找土壤养分以及其他复杂物质成分的光谱特征波段提供了新方法, 也为多种算法的综合运用提供了新思路。