马铃薯的产量高、营养丰富，是世界上继小麦、水稻以及玉米之后的第四大粮食作物，同时也是我国第四大粮食作物。马铃薯的品质等级直接关系到马铃薯在市场上的价格高低以及马铃薯相关产业的发展。因此开展马铃薯品质无损检测研究具有重要的科学意义和实用价值。　　以马铃薯为研究对象，采用机器视觉技术、近红外光谱分析技术以及信息融合技术研究了基于机器视觉和近红外光谱的马铃薯形状、外部缺陷、碰伤、疮痂病等品质的无损检测方法。论文主要完成的工作及相应的结论如下:　　1)自行搭建了马铃薯图像采集平台，利用偏最小二乘椭圆拟合算法对马铃薯的边界进行椭圆拟合，利用图像处理技术提取畸形马铃薯畸形部分面积像素个数，确定畸形部分像素个数占马铃薯总的像素个数的0.1％以上为畸形，否则判定为合格马铃薯。在合格马铃薯中，以马铃薯拟合椭圆离心率为判定马铃薯薯形的标准，经过试验确定圆形马铃薯离心率为0.1-0.6，长形马铃薯离心率为0.6-0.9。　　用该方法对验证集中的90个马铃薯进行验证，对30个畸形马铃薯进行识别时，识别正确率为100％，对30个圆形马铃薯进行识别时，只将一个圆形马铃薯误判为长形马铃薯，识别正确率为96.67％，对30个长形马铃薯进行识别时识别正确率为100％。　　2)确定了马铃薯外部缺陷无损检测方法。比较了单阈值分割方法、K均值聚类分割方法、上山法结合区域生长法三种不同图像特征分割方法对马铃薯缺陷部位的分割效果，最终确定上山法结合区域生长法为马铃薯特征分割方法。采用上山法结合区域生长法对马铃薯外部缺陷特征进行特征分割，以提取的马铃薯表面特征区域颜色特征参数作为输入，建立了基于机器视觉技术的马铃薯外部缺陷分级检测的支持向量机识别模型。使用该模型对测试集的144个马铃薯样本进行判别时，将其中的131个样本级别做出了正确的识别，其中9个缺陷马铃薯误判为合格马铃薯，4个合格马铃薯误判为缺陷马铃薯，模型总的识别率为90.97％，对合格马铃薯的识别率为94.29％，对缺陷马铃薯的识别率为87.84％。　　3)确定了基于近红外光谱技术的碰伤马铃薯无损检测方法。以240个马铃薯样本为研究对象，采集的马铃薯近红外光谱经去除趋势结合多元散射校正(Detrend+MSC)光谱预处理方法处理后，采用偏最小二乘-线性判别分析法(PLS-DA)与支持向量机-判别分析法(SVM-DA)两种建模方法分别建立基于近红外光谱的PLS-DA碰伤马铃薯检测模型以及SVM-DA碰伤马铃薯检测模型。PLS-DA模型对于校正集中碰伤马铃薯与合格马铃薯的识别正确率均为100％，其验证集对碰伤马铃薯的识别率为91.4％，对合格马铃薯的识别率为91.1％。SVM-DA马铃薯碰伤识别模型的校正集识别率为100％，验证集中碰伤马铃薯的识别率为88.6％，合格马铃薯的识别率为91.1％。试验结果表明采用PLS-DA所建模型的识别率比SVM-DA所建模型对测试集的识别率高，因此确定PLS-DA为最优建模方法。　　4)确定了基于图像与光谱信息的马铃薯疮痂病无损检测方法。研究了机器视觉技术和近红外光谱分析技术分别对马铃薯疮痂病进行检测的方法，采用支持向量机识别方法分别建立了基于机器视觉技术和近红外光谱分析技术的马铃薯疮痂病识别模型，该模型对测试集马铃薯识别率分别为89.17％、91.67％。　　为了进一步提高马铃薯疮痂病无损检测识别精度，提出基于DS证据理论结合支持向量机的机器视觉和近红外光谱的多源信息融合技术马铃薯疮痂病无损检测方法。试验以360个马铃薯为研究对象，采用DS证据理论与支持向量机相结合的方法对获取的图像特征和光谱特征进行融合，建立了基于近红外光谱和机器视觉技术的多源信息融合马铃薯疮痂病检测模型，该模型对测试集马铃薯识别率为95.83％，较单一机器视觉技术提高6.66％，较单一近红外光谱技术提高4.16％。试验结果表明，基于机器视觉和近红外光谱的多源信息融合技术进行马铃薯疮痂病快速无损检测的方法是可行的，融合模型较单独采用机器视觉技术或近红外光谱分析技术建立模型的识别率均有提高。