高光谱图像与普通图像相比,具有“图谱合一”的特点,其数据格式为三维的数据立方体。将光谱分析技术与成像技术结合为一体的高光谱成像技术,可以同时提供数据光谱维度分析与空间维度的图像分析。针对这样的数据特点,高光谱图像的数据处理可以在空间维度进行分析,又可以在指定像素下在光谱与进行研究,而近些年同时融合光谱维度与空间维度的数据成为研究趋势。这样的数据特点使得高光谱数据分析在各个领域得到关注与研究,而如今随着经济迅猛发展,人们对于各类农产品的品质与等级愈发关注,其中水果品质的检测由于其巨大的市场经济价值,成为研究的重点。当今市场对于水果品质的检测方法主要是破坏性的化学方法。化学方法在检测时必须对样品进行破坏同时较为耗费时间精力。而通过高光谱技术获得到的数据,其中包含的图像信息被用来检测与水果外观相关的指标,例如外观有无破损、污染、病变等,而光谱信息则被用来检测它们的内部品质,例如含水度、安全性等。本文搭建了高光谱在线检测硬件系统,开发了高光谱采集系统的软件平台。结合具体实验需求,完成对高光谱在线监测系统中光谱相机,高精密传输带等关键部件的控制。同时实现对于高光谱图像在采集时进行实时显示,检测数据后自动保存,数据可视化展示等功能。针对高光谱图像空谱特征提取不全面等难题,以水果草莓为实验样本,提出了两种基于空谱信息融合的深度学习模型。在第一个模型中,采用二分支的网络结构,其中将光谱维度数据送入一维卷积神经网络分支,将空间维度数据降维后送入二维卷积神经网络分支,两个分支最后进行信息融合。在此基础上为了进一步提取空谱信息深度融合的深层次特征,提出了一种基于三维卷积神经网络的分类模型,以充分提取高光谱图像中的空谱联合特征。在此分类模型中,输入数据选择直接将包含空谱联合特性的三维数据块,这样的数据保留了其本身原有的空间结构,无需前期较为复杂的数据重构。最后针对本次数据的特点,对三维卷积神经网络结构进行优化,通过连接在光谱维度上拥有不同卷积核的大小的卷积层,组成多尺度三维卷积模块,不同卷积核的大小的卷积层能过提取更多深层次的特征信息。以此多尺度三维卷积模块为基础,组建得到深层次多尺度三维卷积神经网络,进一步提升分类精度。同时对于所提出的两个模型进行了关键超参的敏感性分析。