近红外光谱技术作为一种光谱测量技术,其特点是分析简单、速度快并且可以在线进行,常用于食品、工艺中间体和最终产品的成分与功能分析,已成为食品质量和安全分析的有力技术。在林特产品深加工与食品质量安全需求日益提高的今天,坚果的无损检测预测成为众多研究者关注的热点问题。新采摘的松子含有大量水分,在储存过程中极易霉菌、酵母菌的影响导致氧化变质。但霉变松子存在经过炒制,化学试剂浸泡等操作处理后,难以与正常松子区分开的问题。针对这一问题,本文运用近红外光谱技术甄别霉变松子并对松子进行正常、霉变分类建模研究。首先,采用傅里叶转换红外光谱技术进行松子近红外数据的采集,并运用SNV、Norris-Williams求导与小波变换方法对采集到的近红外光谱数据进行预处理,达到光谱聚合、波长曲线平滑的结果。近红外漫反射光谱存在精度差、误差大的问题,为此研究漫反射光谱指标的改进,以提高漫反射光谱数据指标与样品化学成分之间的相关性。在此基础上,运用李群测地线度量方法对局部线性嵌入、等度量映射方法进行改进,并借助随机森林与提升树模型进行数据特征降维研究,并使用主成分分析降维同改进后的降维方法进行比较验证。研究结果表明:改进后的降维方法更适应于新的近红外光谱漫反射评价指标。最后,结合李群测地线度量方法和高斯过程进行松子分类建模研究。对七种不同核函数分别建立对应的核函数-高斯过程分类模型并对比选择。将概率校准技术引入对所建改进高斯模型的精度校正中。改进高斯模型的精度进行校正。根据建模实验可知使用周期-径向基组合核函数作为改进高斯过程的核函数能够获得最好分类效果,使用改进局部线性嵌入对松子数据进行降维后使用周期-径向基组合核函数-高斯过程建模的模型精确度为0.888;使用概率校准后的模型精确度为0.864;使用改进等度量映射对松子数据进行降维后使用周期-径向基组合核函数-高斯过程建模的模型精确度为0.849;使用概率校准后的模型精确度为0.958。依模型分类数据分析可知:使用改进漫反射评价指标能够提升最终分类模型精度;周期-径向基组合核函数兼具周期核函数与径向基核函数的优点,为霉变松子建模的最佳选择;概率校准并不能保证模型分类效果变得更高,但改进等度量映射降维的松子使用概率校准方法获得了松子霉变分类效果更好的模型。