[目的]土壤背景在无人机遥感监测中存在干扰作用，本文旨在对烟草长势和品质无人机高光谱监测进行去土壤效应的研究。[方法]通过实施2个品种、4个施氮水平互作处理的烤烟田间试验，利用无人机平台搭载的高光谱相机获取大田关键生育期的烤烟冠层反射光谱数据，并分别使用土壤植被组分光谱分解（3SV）算法与植被指数阈值法去除土壤效应后的各小区平均光谱，利用植被指数优化算法进行全生育期烤烟叶面积指数和烟碱含量的高光谱监测模型构建。[结果]在使用3SV算法后，波段组合与烟叶烟碱相关关系较高的区域分布在λ1:450～500 nm和λ2:580～660 nm组合以及λ1:630～670 nm和λ2:680～700 nm;波段组合与叶面积指数相关关系较高的区域分布于λ1:730～770 nm和λ2:750～800 nm组合以及λ1:510～600 nm和λ2:680～700 nm。基于3SV算法的烟叶烟碱含量与叶面积指数监测模型验证精度均较植被指数阈值算法处理后有不同程度提高，‘云烟87’烟碱的模型验证决定系数R²从0.64提高到0.88,RMSE从0.71%降低至0.29%,效果最为明显。利用3SV算法与波段优化算法，筛选出与‘云烟87’和‘K326’叶面积指数关系最佳的指数分别为NDLI_515,691和NDLI_764,799;与‘云烟87’和‘K326’烟碱含量关系最佳的指数分别为NDNI_450,658和NDNI_456,654,并建立了适用于监测大田生育期的叶面积指数与叶片烟碱含量的模型。[结论]通过比较不同去除土壤背景算法，发现3SV算法提高了烟草叶面积指数与烟碱监测模型的精度，为无人机高光谱大面积监测烟草长势与品质提供了技术支持。