根据吸收光谱所在的光谱区和能量，光谱分析可分为紫外光谱法（200～400纳米）、可见光谱法（400～800纳米）和红外光谱法（800～4000纳米），其中可见光谱法和红外光谱法是最常用的光谱诊法。不同的样本（植物样本和土壤样本）其反射光谱曲线形态和特征不同，病虫害、灌溉、施肥等条件的不同也会引起反射光谱特性的变化，这是开展光谱诊断的原理和基础。

光谱诊断首先应用在植物上。植物在可见光波段的反射率主要受叶绿素的影响，而叶绿素含量和植株的氮素含量密切相关（尤其是当植株缺氮时），故常用叶绿素含量间接地指示植物的氮素含量。550纳米和675纳米附近的反射率对叶绿素含量比较敏感，但单一波段的反射率易受生物量、背景等的影响，用两波段的比值可以提高叶绿素光谱诊断的精度，如植被指数（RVI）和调节土壤植被指数（SAVI）等，叶绿素计（SPAD）也是利用这一原理，进行田间作物氮素诊断及指导施肥，并已取得了较好的效果。但其在实际应用中往往受作物的品种、生育期、生长环境等的影响，误差较大。

近红外光谱区与有机分子中含氢基团（OH、NH、CH）振动的合频和各级倍频的吸收区一致。通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息。近红外光谱法是一种用于鉴定有机物质十分有用的技术，是分子键C—H、N—H、O—H和S—H的振动吸收，具有高信息量。该光谱取决于粒子大小、多晶型、残留溶剂、湿度等等因素。因此待测物光谱的鉴定不可能直接与参比物质光谱比较后确定，需要通过一系列样本的检测（必须预先知道样本中相关成分的含量或样本的定性归属），运用化学计算学手段，建立样本与信息之间的数学模型。高光谱遥感就是采用近红外光谱波段，以其超多波段、光谱分辨率高（3～20纳米）等特点，使其可探测植被的精细光谱信息（特别是植被各种生化组分的吸收光谱信息），反演各组分含量，监测植被的生长状况，采用多元校正的数学方法，评价植被冠层氮素浓度，发现2100纳米波段与氮含量高度相关，2100纳米左右为蛋白质的吸收波段，而叶片中的氮素大多以蛋白质的形态存在，这就说明2100纳米左右也是氮素的一个敏感波段。结合地理信息系统和全球定位系统，高光谱可以实现农业的精确管理。但植物冠层光谱反射特征同样受到植株叶片水分含量、冠层几何结构、土壤覆盖度、大气对光谱的吸收等因素的影响，这大大限制了利用遥感进行作物氮素诊断的可靠性和普及性。

光谱诊断也可应用于土壤上。主要是利用近红外遥感技术，判断土壤肥力，不需要直接与土壤接触，获得的遥感信息具有宏观、多光谱和多时相等特性，因此可进行全球、全国和区域土壤肥力状况的诊断，研究和测定土壤光谱特性，如土壤有机质、氧化铁和水分等对太阳入射能均有不同程度的吸收能力。其含量愈高，土壤光谱反射率相对愈低，反之亦然。国际上开始应用陆地卫星多光谱扫描仪、专题成像仪和卫星图像资料，对土壤湿度、土壤有机质、土壤盐分、土壤污染、土壤侵蚀及植物的叶绿素含量和含氮量等进行遥感诊断的探索和研究，并在精准农业中进行了有成效的应用。但遥感技术的应用主要体现在植被上，在土壤性质预测的应用中受到了很大限制，主要是植被、地形、气候等对光谱影响很大，导致结果存在显著的不确定性，也就是误差太多以致于难以应用。因此土壤近距传感在土壤光谱分析中得到了大量应用，利用可见-近红外-中红外漫反射光谱，通过偏最小二乘分析建立光谱预测模型，结果说明中红外区域的定量模型预测能力最强，这与中红外区域的宽波段和较高的光谱响应有很大关系。同时红外光声光谱在土壤研究上表现出独特的优势，它能够得到更为精细的光谱，同时光声光谱检测的是被样品吸收的那部分能量，可用于高吸收或高反射样品，而且所需样品少，无需样品前处理，避免了烦琐准备过程和对实验样品的浪费，同时，测定可实现原位，且对样品无损。因此，光声光谱的特性决定了它在土壤科学研究中的优势，有潜在的发展前景，亟须进行深入研究。

光谱诊断还需要有针对性的数学模型。光谱诊断是结合常规数据进行光谱数据挖掘，以获得目标信息，需要依靠化学计量学手段，利用计算机强大的运算能力。多元线性回归、主成分分析、主成分回归、逐步回归分析、偏最小二乘回归法、推进式回归树模型都可用于光谱的定量建模，这些方法能够很好地处理线性相关问题。多元线性回归和逐步回归分析法只用一些特征波长的光谱信息，丢失其他波长的信息，易产生模型过拟合问题。主成分回归和偏最小二乘回归法可以取舍参与定标的光谱数据，消除了多元线性回归丢失光谱信息的问题，用交互检验，消除模型过拟合，比多元线性回归和逐步回归分析预测精度高；它将光谱首先分解为一系列特征向量和评价因子，再分别根据土壤属性进行回归分析，偏最小二乘法能够实现分离和提取光谱中的土壤信息，并能使光谱特征向量与土壤性质参数建立直接联系。然而，因为土壤成分的复杂性，在定量分析中线性回归方法有时并不能达到满意的分析效果，所以非线性回归方法越来越受到重视，如人工神经网络就是非线性定量方法，常用的是反向传递人工神经网络，能无限逼近任何非线性函数。

尽管不同的光谱学手段和光谱数据处理方法不断在光谱诊断中得到应用，但光谱诊断技术在生产实践中的应用还相对有限，这主要是因为光谱诊断不但需要光谱硬件支撑，还需要数据处理与传输的软件支撑。因此，构建光谱大数据库，建立针对性的预测模型，并结合云计算和物联网技术，将是未来光谱诊断在生产实践中应用的关键和发展方向。