猪肉及其制品是我国居民主要的肉类消费品，它们的品质关系到消费者的身体健康，新鲜度是评价猪肉及其制品品质的重要指标。为了实现猪肉及其制品新鲜度快速、准确、无损检测，本课题开展了光谱和成像技术检测猪肉及肴肉新鲜度的研究，主要内容如下:　　 1.利用课题组自行设计的基于近红外光谱仪和电荷耦合器件(CCD)成像系统的多传感器信息融合装置，同时采集猪肉样本的光谱信息和图像信息，然后利用半微量定氮法测定样品挥发性盐基氮(TVB-N)。优选TVB-N光谱特征波段后提取图像的12个颜色特征变量，选择反向传播人工神经网络(BP-ANN)方法，将光谱特征和图像特征在特征层上进行融合，建立猪肉新鲜度的预测模型，预测集的相关系数(R)达到0.957，效果好于图像信息模型(0.746)和光谱信息模型(0.922)。　　 2.在完成猪肉样品多传感信息采集后，利用高光谱图像装置获取样本的高光谱图像信息。首先对原始数据黑白标定，选择感兴趣区域(ROI)的数据块，再分别提取ROI数据块的光谱信息和图像信息。光谱特征提取:采用标准正态变量变换(SNV)方法对原始光谱进行预处理后，选用联合区间偏最小二乘法(siPLS)算法优选光谱特征波段;图像特征提取:根据主成分分析(PCA)得到3个特征图像，提取特征图像基于灰度共生矩阵的4个纹理特征参数（相关性、对比度、能量和一致性）。利用BP-ANN算法，对各特征变量进行主成分优化，建立TVB-N预测模型，预测集的R为0.952，略低于多传感器信息融合技术实验效果(R=0.957)。　　 3.探讨高光谱图像技术检测肴肉新鲜度的可行性。获取肴肉样品的高光谱图像数据后，采用半微量定氮法和平板菌落计数法测定样品的TVB-N和细菌总数(TVC)。首先对原始高光谱数据进行黑白标定和重采样，得到ROI数据块的光谱信息和图像信息。然后利用siPLS方法分别提取TVB-N和TVC的光谱特征波段。根据PCA得到的4张特征图像，并提取特征图像基于统计矩的6个纹理特征参数。选用光谱角匹配(SAM)方法区分特征图像中瘦肉和明胶区域，单独提取瘦肉图像的纹理特征，来分析肴肉中瘦肉和明胶的不规则分布对预测模型的影响。结合光谱特征和图像特征，建立基于BP-ANN的肴肉TVB-N和TVC预测模型，得到TVB-N和TVC最佳预测模型的R分别为0.81和0.88，且两最佳模型都是光谱特征结合完整图像纹理特征时取得的。结果表明，高光谱图像技术可以用于肴肉新鲜度检测，且肴肉中瘦肉和明胶的不规则分布只要在合适的图像纹理特征提取方法下对所建模型影响效果不大。　　 4.肴肉高光谱预测模型建立中特征图像的筛选。基于siPLS方法得到的特征波段，采用GA-PLS算法分析，根据波段被使用频率情况筛选特征波长，得到TVB-N特征波长是511.09nm，528.79nm，674.14nm and740.86nm，TVC特征波长是654.25nm，619.87nm，668.91nm and693.12nm，再找到对应的特征图像，提取完整特征图像和纯瘦肉图像的基于统计矩的纹理特征，结合光谱特征，建立基于BP-ANN的肴肉新鲜度预测模型。TVB-N和TVC的预测模型R分别为0.83和0.91，效果要好于利用PCA提取的特征图像结合光谱特征所建模型。结果显示遗传偏最小二乘方法在高光谱特征图像筛选方面效果要好于PCA方法，为更有效地挖掘高光谱图像数据提供了新的思路。　　 本研究对于猪肉及其制品新鲜度快速无损检测提供思路，研究成果对于提高我国肉类产品国际竞争力具有重要的经济意义。