山核桃是一种营养价值极高的药食同源食物,主要分布于浙皖交界的天目山地区和湖南、云南等部分地区。不同地区的环境、气候、湿度等条件不同,造成山核桃的品质差异较大。同时,随着贮藏时间的延长,山核桃的营养成分含量也会发生变化。本文通过近红外光谱结合化学计量学方法,首先对山核桃的蛋白质和脂肪含量建立定量分析模型,用于判别其品质的好坏;对浙林山3号、宁国1号、黄山1号、川核1号四种山核桃建立定性分析模型,用于山核桃品种的鉴别;对不同贮藏时间的浙江临安山核桃建立定性分析模型,用于山核桃陈化时间的检测。本文的主要内容和结论如下:（1）采集了119份山核桃样品的近红外光谱,并使用凯氏定氮法和索氏提取法分别测定其蛋白质和脂肪含量。采用马氏距离法和浓度残差法剔除异常样本后,使用SPXY分类法将剩余样品按照3:1划分为校正集和验证集。使用不同的光谱预处理和特征波段选取方法,结合偏最小二乘法建立山核桃蛋白质和脂肪含量的近红外模型。结果表明,使用一阶导数（First derivative）预处理的模型预测性能最佳,蛋白质和脂肪含量的校正相关系数（RC~2）分别为0.9061、0.8995,校正均方根误差（RMSEC）分别为0.0025、0.0167;交叉验证相关系数(R~2CV)分别为0.8616、0.8358,交叉验证均方根误差（RMSECV）分别为0.0032、0.0218。经过无信息变量消除法（UVE）和竞争性自适应权重取样法（CARS）处理后,光谱变量数目大大减少,模型的精度有一定提升。山核桃蛋白质、脂肪近红外模型可以实现对山核桃蛋白质和脂肪的快速检测。（2）通过采集川核1号、黄山1号、浙林山3号和宁国1号四种山核桃样品近红外光谱各50份,使用Kennard-Stone法将山核桃样品按照3:2划分为校正集和验证集。使用不同的光谱预处理方法,结合主成分分析（PCA）、聚类分析（CA）2种无监督分类法,类类比软独立建模分析（SIMCA）、支持向量机（SVM）、线性判别分析（LDA）3种有监督分类法,对四种山核桃进行品种判别分析。结果表明:2种无监督分类法中,PCA对不同产地的山核桃可以成功分为四类;CA只能实现对黄山1号、川核1号两种山核桃的判别;3种有监督分类法中,SIMCA的识别率达到90%,拒绝率达到100%;SVM和LDA的分类准确率均接近100%。其中,近红外光谱技术结合LDA的判别效果最好,校正集和预测集的识别正确率均达到100%。近红外光谱技术可以实现不同品种山核桃的快速鉴别。（3）通过采集以贮藏3-7个月的浙江临安山核桃样品的近红外光谱各50份,总计共250份光谱,使用Kennard-Stone法将山核桃样品按照3:2划分为校正集和验证集。使用不同的光谱预处理方法,结合主成分分析（PCA）、聚类分析（CA）2种无监督分类法和类类比软独立建模分析（SIMCA）、支持向量机（SVM）、线性判别分析（LDA）3种有监督分类法对不同贮藏时间的浙江临安山核桃样品进行判别分析。结果表明:在无监督分类法下,PCA和CA均只能识别贮藏时间为3个月的样本,对贮藏时间为4-7个月的样本无法区分;在有监督分类法中,SIMCA只有对贮藏时间为3个月和7个月这两类样本的识别率和拒绝率超过90%,对其余样本的判别低于80%;SVM对不同贮藏时间的样本的识别正确率可以达到84%;LDA的判别效果最好,校正集和验证集的分类准确率分别达到97%和95%。因此,综上所述,近红外光谱技术可以实现对不同贮藏时间山核桃的快速区分。综上,本文建立了山核桃蛋白质和脂肪含量的定量分析模型、不同产地山核桃判别定性分析模型以及不同贮藏时间山核桃的判别定性分析模型。为实现山核桃的品质快速鉴定、产地区分以及贮藏时间判定提供了理论依据,有助于规范山核桃市场,促进山核桃产业的健康、快速发展。