为了从全波段光谱数据中提取对小麦条锈病敏感的特征参量, 提高小麦条锈病遥感探测模型的运行效率和精度, 本文首先从惯性权重和粒子更新方式两个方面对传统离散粒子群算法(discrete binary particle swarm optimization, DBPSO)进行改进, 利用改进离散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)从全波段光谱数据中优选遥感探测小麦条锈病严重度的特征变量, 然后与冠层日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence, SIF)数据相结合作为自变量分别利用随机森林(random forest, RF)和后向传播(back propagation, BP)神经网络算法构建小麦条锈病遥感探测模型, 并将其与相关系数(correlation coefficient, CC)分析法和DBPSO算法提取特征参量构建模型的精度进行对比分析。结果表明: (1) MDBPSO算法比传统DBPSO算法具有更快的收敛速度和更高的寻优精度, 改进前后其迭代次数从395次减少到156次, 最优适应度函数(optimum fitness value, OFV)值从0.145减小到0.127。(2)采用MDBPSO算法选择特征变量时, RF和BP神经网络两种方法构建的模型精度均高于CC分析法和DBPSO算法, 其中RF算法预测病情指数(disease index, DI)值和实测DI值间的检验集决定系数(validation set determination coefficient, R2V)比CC分析法和DBPSO算法分别提高了9%和3%, 均方根误差(validation set root mean square error, RMSEV)分别降低了28%和11%, BP神经网络算法预测DI值和实测DI值间的R2V比CC分析法和DBPSO算法分别提高了13%和6%, RMSEV分别降低了21%和10%, 利用MDBPSO算法优选特征参量能够提高小麦条锈病的遥感探测精度。(3)在MDBPSO、DBPSO和CC分析法3种特征选择算法中, RF算法构建的模型精度均高于BP神经网络算法, 其中RF模型预测DI值和实测DI值间的R2V比BP神经网络算法至少提高了7%, 平均提高了9%, RMSEV至少降低了15%, 平均降低了20%。以MDBPSO算法优选的特征参量为自变量利用RF方法构建的小麦条锈病遥感探测的MDBPSO-RF模型是小麦条锈病遥感探测适宜模型, 该研究结果为进一步实现作物健康状况大面积高精度遥感监测提供了新的思路。