本论文收集了白鲢鱼糜和草鱼鱼糜两种鱼糜样本共132个。在10000cm-1-4000cm-1谱区范围内，对试验样本进行了近红外反射光谱扫描。根据鱼糜的近红外光谱特性，通过比较不同预处理方法和统计回归方法，分别建立了白鲢鱼糜、草鱼鱼糜、淡水鱼糜的主要成分和鱼糜制品中淀粉添加量的定量模型。并经三种不同模式识别方法的比较，建立了不同鱼种鱼糜近红外光谱鉴别的定性模型。具体研究结果如下： (1)白鲢鱼糜的水分和蛋白质模型的建立：标准归一化(SNV)对光谱进行预处理，采用偏最小二乘法作为回归方法，建立了水分模型，且定标集和预测集的相关系数都在0.99以上，预测误差分别为0.38和0.39；SNV结合Savitzky-Golay9点间隔2点一阶求导(DG1G2)对光谱进行预处理，采用偏最小二乘法作为回归方法，建立了蛋白质模型，定标集和预测集的相关系数分别为0.98和0.97，预测误差分别为0.35和0.36。 (2)草鱼鱼糜的水分和蛋白质模型的建立：采用与白鲢鱼糜水分建模同样的条件建立了水分模型，且定标集和预测集的相关系数都在0.99以上，预测误差分别为0.42和0.45；利用吸光度反转(ILG)光谱进行预处理，采用与白鲢鱼糜水分建模同样的条件建立了水分模型，偏最小二乘法作为回归方法建立了蛋白质模型，定标集和预测集的相关系数分别为0.97和0.96，且预测误差均为0.38。 (3)淡水鱼糜的水分和蛋白质模型的建立：与白鲢鱼糜水分建模同样的条件建立了水分模型，定标集和预测集的相关系数都在0.99以上。并且预测误差分别为0.39和0.40。蛋白质模型是二阶求导间隔两点平滑(DS2G2)对光谱进行预处理，采用偏最小二乘法作为回归方法建立的。定标集和预测集的相关系数都为0.96，并且预测误差都接近为0.45。 (4)鱼糜制品中淀粉模型的建立：SNV对光谱进行预处理，采用偏最小二乘法作为回归方法建立的模型。定标集和预测集的相关系数都在0.99以上，预测误差都低于0.35。 (5)所建的定量模型无论是定标集还是验证集，其相对标准误差RSD均小于10％，相对分析误差RPD均大于3。模型呈现出良好的适应性和稳定性。说明利用近红外光谱技术对淡水鱼糜营养成分和鱼糜制品中的淀粉含量的快速测定是可行的。 (6)利用软独立建模法(SIMCA)建立的三种鱼糜判别模型，其海水鱼糜识别率接近10096，草鱼鱼糜和白鲢鱼糜的模型鉴别效果还不够理想；利用LDA线性判别法建立海水鱼糜和淡水鱼糜的定性模型，识别率达到了100％，而利用线性判别法(LDA)建立草鱼鱼糜和白鲢鱼糜的定性模型，草鱼鱼糜识别率达到了100％，白鲢鱼糜识别率也超过了90％。可见LDA线性判断法建立的鱼糜种类鉴别模型的预测效果要优于SIMCA所建立的鉴别模型。 通过定性及定量模型的建立，可以实现近红外光谱技术对鱼糜品种的快速鉴定。