高光谱成像技术具有分辨率高、波段范围广的特点，能够提供被测样本丰富的全波段光谱特征，但其庞大的信息量也制约农产品的实际在线检测。我国是世界上最大的马铃薯种植国，为了促进马铃薯深加工产业的发展，增加马铃薯附加值，达到良好的经济效益，亟需对马铃薯品质的快速检测方法进行研究。因此，在保留被测样本有效特征信息的同时，实现马铃薯品质的快速、无损综合检测具有十分重要的科学意义与应用价值。　　以4类内外部品质（合格、疮痂、机械损伤、黑心）的430个马铃薯试验样本为研究对象，从3种不同放置方向（正对高光谱采集探头的马铃薯长径方向、短径方向和高度方向）采集光谱图像，进行了反射与透射高光谱成像技术的不同检测方法比较研究，采用了多种预处理方法、流行学习算法及多分类建模方法对数据进行去冗余、降维、优化建模处理，建立基于高光谱光谱信息判别的马铃薯内外部品质多分类识别模型。　　主要研究结果如下：　　1）确定最优反射高光谱成像技术的马铃薯内外部品质多分类检测方法。分别选取多元散射校正（MSC）、平滑处理（Smoothing）、标准化（Autoscale）、去趋势变换结合标准正态变量变换（Detrend+SNV）等6种光谱预处理方法，对K最近邻法（KNN）、支持向量机判别分析（SVMDA）和极限学习机（ELM）3种多分类方法所建的马铃薯内外部品质检测模型结果进行了比较，确定了Detrend+SNV预处理方法结合ELM多分类方法所建模型效果最优。分别应用随机邻域嵌入（SNE）、局部切空间排列（LTSA）、拉普拉斯特征映射（Lapiacian eigenmaps）、t-分布邻域嵌入（t-SNE）4种流形学习算法进一步优化模型。研究结果表明，选取的t-SNE-ELM方法识别结果最优，所建模型对合格、疮痂、机械损伤和黑心4类试验样本的单一识别率分别为94.12％，89.87%，92.73%和82.81%，整体混合识别率为90.70%。　　2）自行设计了马铃薯透射高光谱的图像信息采集装置，该装置由透射采集箱、排热扇、变压调节器、隔板底座、卤素灯泡、灯架可拆卸底托、遥控器、塑胶隔垫等部件组成，并以此搭建透射高光谱成像系统对马铃薯内外部缺陷指标进行检测，验证其对马铃薯品质多分类检测的可行性。　　3）确定最优透射高光谱成像技术的马铃薯内外部品质多分类检测方法。分别选取KNN、SVMDA和ELM3种多分类方法对经过预处理后的马铃薯光谱数据建立检测模型，确定经过Detrend+SNV方法预处理的ELM模型识别结果最优；分别应用SNE、LTSA、Lapiacian eigenmaps、t-SNE4种流形学习算法对光谱进行降维处理，研究结果表明， t-SNE降维方法对所建透射马铃薯品质多分类检测模型识别结果最优，所建模型对合格、疮痂、机械损伤和黑心4类试验样本的单一识别率分别为94.12%、92.41%、94.55%和92.19%，整体混合识别率为93.26%。　　4）针对反射成像与透射成像方法进行了马铃薯内外部品质多分类检测方法的比较分析。结果表明：基于反射高光谱成像技术和透射高光谱成像技术均可以实现对任意方向放置的马铃薯内外部品质进行多分类识别，并且透射高光谱成像技术结合Detrend+SNV、t-SNE流形学习算法所建立的ELM识别模型的检测精度要高于反射高光谱成像技术结合Detrend+SNV、t-SNE流形学习算法所建立的ELM识别模型的精度。　　5）确定透射高光谱成像技术的马铃薯内外部品质多分类模型优化方法。以t-SNE降维所得低维光谱数据作为输入，提出分别以差分进化极限学习机（DE-ELM）和蝙蝠极限学习机（BA-ELM）作为优化方法建立马铃薯品质多分类检测模型。研究结果表明：2种优化模型均可以实现对不同方向放置的马铃薯内外部品质缺陷进行多分类识别，并且透射高光谱技术的t-SNE-BA-ELM多分类检测模型精度更高，对4类试验样本的单一识别率分别为96.73%、96.83%、100%、95.31%，整体混合识别率达到96.98%。