水稻是我国最重要的粮食作物。水稻种子的品种与活力会影响粮食的产量和质量,现有的水稻种子检测方法存在着操作繁琐,效率低下,对种子有损害等缺点。近红外高光谱成像技术能反映水稻种子内部的化学成分,不同品质的水稻种子内部化学成分有所不同,因此利用近红外高光谱成像技术能快速、无损地检测水稻种子品质。本文对水稻种子的品种与活力两个重要品质指标进行无损检测研究,提出了结合近红外高光谱成像技术和深度学习方法的水稻种子品种、活力无损检测方法。本文的主要研究内容如下:（1）利用近红外高光谱技术与传统的机器学习方法（支持向量机（Support Vector Machine,SVM）、逻辑回归（Logistic Regression,LR）和随机森林（Random Forest,RF））以及深度学习方法（Le Net、Goog Le Net和深度残差网络（Residual Network,Res Net））,为五种常见类型的水稻种子建立品种识别模型。在深度学习方法中,大多数模型的分类准确率都高于95%。在不考虑水稻种子类型的情况下,本研究进一步使用深度学习方法为10个水稻种子品种建立品种识别模型。其中,Res Net模型的分类结果最好。在测试集上的分类精度为86.08%。本研究使用显著图方法对每个卷积神经网络（Convolutional Neural Network,CNN）模型进行可视化,以找到对数据贡献最大的波段区域。结果显示,数据贡献最大的波段主要集中在1300-1400 nm区域附近,其次集中在1050-1250 nm区域附近。总体结果表明,近红外高光谱成像技术与深度学习相结合,可以有效地区分不同品种的水稻种子。该方法为快速无损地识别水稻种子品种提供了一个有效途径。（2）采用近红外高光谱成像技术检测自然老化的水稻种子的生存力和活力。以标准的发芽试验确定活力和生存力的参考值。利用全范围光谱和主成分分析（Principal Component Analysis,PCA）选择的特征波长分别建立了CNN和传统机器学习模型（SVM和LR）,以预测自然老化条件下不同品种水稻种子的活力和生存力。总体结果显示,深度学习方法和传统的机器学习方法都可以很好地预测不同品种水稻种子的活力和生存力,大多数模型的准确率都在85%以上。使用全光谱和特征波长的模型的结果较为接近,使用PCA-loadings选择出的特征波长主要集中在1000 nm,1200 nm和1400 nm附近。所有品种上的模型与单一品种上的模型表现十分接近。这项研究为快速、无损检测水稻种子的活力和生存力提供了有效的方法。