实木木材是基本的木材工业产品,不同木材具有不同的特性参数(例如木材树种、密度、强度、含水率、表面粗糙度等),导致木材的用途、物理性能及价格差别很大。因此,对上述木材属性进行检测是木材质量检测的重要内容。可见光/近红外光谱分析技术具有成本低、效率高、速度快、无损、检测方便、测试重现性好等优点,本文利用其对木材树种与密度的检测进行了新的研究与探索。首先,针对目前木材检测模型都是基于某些特定树种建立的因而无法拒绝非训练类异常树种,以及传统的树种检测模型需要正类与负类两种样本而异常树种种类繁多无法全部获取的问题,提出采用单类分类方法建立异常树种检测模型,该法只需对正类树种样本进行学习而无需异常树种的参与,最后通过对比阈值判别样本是否异常。本文对比了由BP神经网络、自组织特征映射网络和支持向量数据描述所构造的三种单类分类器的检测效果,结果表明,由BP构造的单类分类器检测效果较好。同时,提出一种由RBF-BP组合神经网络构造的单类分类器,实验表明,该模型能够有效增大正类树种和异常树种之间的差异性,从而降低误报率、提高异常检测率与总体检测率。其次,针对在木材特性参数检测研究中若要对木材的多项属性进行检测需进行多次建模的问题,提出一种采用可见光/近红外光谱技术对木材树种和密度同时进行检测的方法,只需一次建模即可实现两项木材属性的同时输出。本文对比了主成分分析和小波变换两种光谱降维方法分别与具有多输出特点的BP神经网络和最小二乘支持向量机(LSSVM)相结合建立的树种与密度同时检测模型的检测效果,结果表明,小波变换与LSSVM相结合的模型检测效果最佳,能够较为准确地同时检测出木材的树种与密度,实现了定性与定量分析结果的同时输出,提高了木材检测的效率。接着,提出一种基于可见光/近红外光谱的未知树种类别数自自动化检测的方法。首先采用t-分布随机邻域嵌入(t-SNE)降维方法对光谱数据进行降维处理,然后对比了不同降维维数下密度峰值快速搜索聚类算法(CFSFDP)与分别与内部指标CH、DB、Sil相结合对未知树种类别数进行自动化检测的准确率,结果表明,采用t-SNE算法将光谱降维到3维时,CFSFDP算法结合CH指标能够较为准确地自动确定未知树种的类别个数,同时根据Rand、Adjusted Rand、Jaccard和Fowlkes-Mallows外部指标的评价结果可知,该方法能够较为准确地将未知树种归到相应的类别中去。最后,基于上述研究成果,本文利用MATLAB编程软件设计了一种基于可见光/近红外光谱的木材树种与密度无损检测的原型系统。当有待测样本输入至系统中,首先检测其是否是异常树种,若不是,系统将同时给出待测样本的树种与密度的检测结果,否则系统将拒绝进一步检测操作。当被拒绝的树种样本个数达到所设定的阈值时,系统将对其进行聚类处理,并给出树种类别个数的检测结果。