[目的]结合分数阶微分和异常值识别,提高土壤有机质模型反演精度,实现土壤有机质含量的快速、准确估计.[方法]文章以吉林省伊通县黑土区为研究区,基于实地采集的213个土壤样本和HyMap-C机载高光谱传感器获取高光谱影像,选择S-G函数和分数阶微分进行光谱预处理,竞争性自适应重加权采样(Competitive　Adaptive　Reweighted　Sampling,CARS)提取特征波段建立土壤有机质含量偏最小二乘回归(Partial　Least　Squares　Regression,PLSR)反演模型,并使用蒙特卡洛交叉验证(Monte　Carlo　Cross-Validation,MCCV)进行异常值识别.[结果](1)将分数阶微分用于机载高光谱可以放大光谱特征,阶数越高、特征越明显,低阶分数微分对噪音不敏感;(2)CARS方法能有效压缩光谱信息;全样本建模中0.4阶分数阶微分CARS-PLSR建模表现较优,但总体精度仍然不高;(3)使用MCCV剔除异常值后,0.6阶分数阶微分CARS-PLSR建立的土壤有机质含量反演模型精度最高,训练集和测试集的均方误差分别为0.219%和0.207%,决定系数分别为0.745和0.823,相对分析误差为2.246;(4)将模型应用于高光谱影像中,可获得研究区高精度、高分辨率土壤有机质空间分布图.[结论]分数阶微分可以实现光谱增强,具有数据挖掘潜力,同时识别并剔除异常值可以有效优化高光谱反演模型,为使用高光谱影像进行土壤有机质含量反演工作提供新思路.