马铃薯是世界上重要的粮食作物,在全世界均有大面积种植。在2015年中国正式开启马铃薯主粮化战略,这必将促进我国马铃薯产业的进一步发展。对马铃薯品质进行快速无损检测,有助于增加其经济效益。因此对马铃薯内外部缺陷的多项指标进行快速无损检测具有重要的科学意义和良好的应用前景。论文以随机放置马铃薯的合格、黑心、发芽和绿皮样本为研究对象,建立了高光谱数据采集平台,运用数据分析技术、图像处理技术以及信息融合技术研究了马铃薯外部指标识别方法、黑心马铃薯识别方法以及马铃薯内外部指标同时识别方法。比较了不同方向灰度共生矩阵提取的图像特征对马铃薯外部指标的识别精度,确定了高光谱图像维信息对马铃薯外部品质的最优检测模型;比较了不同光谱特征提取方法对马铃薯内部指标的识别精度,确定了高光谱光谱维信息对马铃薯黑心病的较优识别模型;比较了不同流形学习降维算法对随机放置马铃薯的内外部缺陷多项指标的识别准确率,确定了高光谱信息融合技术检测随机放置马铃薯内外部指标的最优模型。研究结果如下:1)搭建了高光谱数据采集平台,采集了发芽马铃薯、绿皮马铃薯、黑心马铃薯和合格马铃薯样本的高光谱数据。2)研究高光谱图像维信息对发芽和绿皮马铃薯样本的识别方法。确定了最优的马铃薯样本颜色空间为RGB颜色空间;提取了随机放置的马铃薯样本在0°、45°和90°灰度共生矩阵(GLCM)的图像特征参数;确定了马铃薯样本集的划分方法为随机法;分别建立支持向量机(SVM)和极限学习机(ELM)模型,确定了45°灰度共生矩阵结合支持向量机(45°GLCM-SVM)模型对马铃薯样本的识别率较高,该模型测试集的混合识别率达到91.13%,其中发芽、绿皮和合格马铃薯的单一识别率分别为87.10%、95.56%和89.58%。3)研究高光谱光谱维信息对马铃薯黑心病的识别方法。确定了黑心和合格马铃薯的样本集划分方法为随机法;采用了4种不同预处理方法对原始光谱进行处理,确定了最优的光谱预处理方法为标准化(Autoscale)。采用了连续投影算法(SPA)、竞争性自适应重加权算法(CARS)、无信息变量消除法(UVE)和组合算法对原始光谱信息进行特征波长优选。SPA算法从原始光谱数据中优选了20个特征变量;CARS将431维光谱数据降至34维;UVE将431维的光谱数据优选为314维;利用无信息变量消除法组合连续投影算法(UVE-SPA)对原始光谱变量进行优选,从原始光谱数据中优选出了8个光谱特征变量。比较了偏最小二乘判别分析(PLSDA)、支持向量机(SVMDA)、K最近邻法(KNN)对黑心马铃薯样本的识别准确度,分别建立了CARS-PLSDA、CARS-KNN、CARS-SVMDA、SPA-PLSDA、SPA-KNN、SPA-SVMDA、UVE-PLSDA、UVE–KNN、UVE–SVMDA、UVE-SPA-PLSDA、UVE-SPA-KNN和UVE-SPA-SVMDA模型,确定了识别马铃薯内部品质的较优方法为UVE-SPA-SVMDA模型,该模型中校正集和测试集的混合识别率分别达到了100%。4)研究高光谱信息融合技术对马铃薯内外部品质的识别方法。采用无预处理(None)、标准化(Autoscale)、标准正态变量变换(SNV)和去趋势变换(Detrend)对原始光谱进行预处理,确定去趋势变换(Detrend)为最优的光谱预处理方法。采用扩散映射(DM)、局部线性嵌入(LLE)和海森局部线性嵌入(HLLE)3种典型的流形学习方法对预处理后的马铃薯光谱数据进行降维,比较了DM-SVM、LLE-SVM、HLLE-SVM、DM-ELM、LLE-ELM和HLLE-ELM等6种模型对随机放置的马铃薯内外部指标识别结果,确定了扩散映射(DM)为较优光谱降维算法。确定了高光谱图像维信息的特征参数提取方法为灰度共生矩阵(GLCM);采用灰度共生矩阵提取了马铃薯样本的84个图像纹理信息,利用连续投影算法(SPA)从84个图像纹理信息中优选了10个图像纹理特征,图像特征参数主要为不同方向的同质性、能量、对比度和相关性。对降维后的光谱维特征和优选后的图像维特征进行特征层融合,建立了随机放置马铃薯的内外部缺陷多项指标混合识别模型,并比较模型所耗时间,确定了马铃薯样本的较优检测模型为扩散映射结合极限学习机(DM-ELM),DM-ELM模型对测试集中发芽、绿皮、黑心和合格马铃薯的单一识别率分别达到97.30%、93.55%、94.44%、100%,测试集样本混合识别率达到96.58%,建模时间0.11 s。