实现农产品的在线无损检测是提高农产品品质和销售效率一种非常有效的方法,然而目前实际生活中对于农产品的检测主要停留在人工检测或者相关机械装置辅助人工检测阶段,这种方式不仅效率低下,而且可能由于人为的不可控因素导致错误的产生。随着高光谱技术的快速发展,越来越多关于应用高光谱技术检测农产品的研究出现,高光谱成像技术具有分辨率高、样品无需预处理操作、操作简单、非破坏性等特点,这些优点使得高光谱技术检测农产品成为研究的热点。本文以马铃薯为具体研究对象,采用高光谱技术对马铃薯内外部品质进行无损检测。首先获取马铃薯样本外部反射光谱图像和内部透射光谱数据,分析不同预处理方法对原始光谱数据的影响并通过不同方法优选出特征波段,通过数据回归建立相对应的定量和定性预测模型,通过预测集对已建立模型进行校核,检测模型的有效性。具体的研究内容如下:(1)搭建了获取马铃薯样本外部反射光谱图像和内部透射数据的实验平台,外部品质检测选择4种外部品质总共240个作为实验样本,内部淀粉检测选择200个作为实验样本。通过调试相关参数获取最终的反射光谱图像和透射光谱数据,获取感兴趣区域的光谱数据并确定了450nm-951nm区间的光谱数据用于后续的分析。(2)对获取的4种外部品质的马铃薯样本的外部反射光谱图像进行主成分分析,发现第二主成分图像缺陷部位和正常部位的差异相对较大,因此确定了4个品质的马铃薯样本的第二主成分图像为图像处理的原始图像。通过第二主成分的权重系数确定了480nm、550nm、660nm、680nm、800nm、850nm、920nm、950nm等8个波段的第二主成分图像为特征图像,对这些特征图像进行第二次主成分分析,发现和第一次主成分分析的第二主成分图像的差别较小,因此使用第二次主成分分析的第二次主成分图像进行图像处理分割出各缺陷部位,结果显示合格马铃薯、绿皮马铃薯、孔洞马铃薯样本的缺陷分割率较高,而发芽马铃薯样本缺陷部位的分割率较低。(3)对获取的反射光谱数据进行移动平滑(MAS)、Savitzky-Golay平滑、中值滤波、归一化、一阶导数、二阶导数、多元散射校正(MSC)、标准正态变量校正(SNV)、中心化(MC)包括无处理十种预处理,比较了预处理后的光谱曲线和未处理光谱曲线的区别,并通过分别建立对应的PLS模型来选择最佳预处理方法,结果显示经过标准正态变化后对应的数据建立的PLS模型的性能最好,因此确定标准正态变化为最佳预处理方法。(4)基于连续投影算法选取了13个特征波段,对传统主成分分析选择特征波段的方法进行了改进,提出了一种新的加权权重算法,并基于此算法选择了9个波段作为特征波段。对上述两种方法选择的特征波段对应的光谱数据分别建立支持向量机判别模型,结果显示基于加权权重法选出的特征波段的和基于连续投影算法选出的特征波长所对应的光谱数据建立的支持向量机模型对48个预测集的预测准确率均达到了100%,而前者建模集交叉验证的准确率为99.5%大于后者的96.9%,说明基于加权权重法选出的特征波段的效果要优于连续投影算法。(5)在获取了马铃薯样本的透射光谱数据之后,经过多元散射校正进行降噪处理,分别通过遗传算法结合连续投影算法、竞争性自适应重加权算法、无信息变量消除算法分别选择了18、16、53个特征波长,基于这些特征波长的数据分别建立了光谱数据与淀粉含量对应的PLS定量模型,结果显示遗传算法结合连续投影算法选出的特征波长所建立的PLS模型建模集的交叉验证相关系数为0.988,预测集的相关系数为0.967,均优于其它两种特征波长选择方法。