我国是甘薯生产大国,种植面积遍布全国,从南到北各个地区均有广泛种植。甘薯是非常重要的淀粉类经济作物,在甘薯生长环境中的干扰因素非常多样,受到不同地域、气候、土壤以及虫害等的影响,甘薯薯块的差异很大。外观和内部质量是甘薯最重要的感官质量属性,甘薯的形状、大小、重量、外部缺陷及表皮颜色等外观品质及营养成分含量、内部病变腐烂情况都是甘薯品质的重要考量,必须要进行甘薯薯块的分级分选。但甘薯薯块在大小和形状上的巨大差异使其难以处理和分级,因此寻求一种快速、无损、高效检测甘薯内外部缺陷的方法来实现甘薯的分级分选检测具有十分重要的意义。本研究以甘薯为研究对象,采用高光谱技术和近红外光谱技术检测研究甘薯内、外品质,实现对甘薯损伤缺陷识别、SSC含量测定以及冻害特征的有效检测,为建立甘薯在线检测设备的开发奠定了理论基础。（1）采用高光谱技术检测甘薯损伤缺陷,获取正常和损伤缺陷甘薯样本在900～1700nm波段的高光谱图像,分别提取样本合格和机械损伤区域的均值光谱,共获得合格和机械损伤区域光谱343和247个。采用Kennard-Stone算法选择训练集、预测集中合格和机械损伤样本。采用基线校正（Baseline）方法预处理原始光谱。通过CARS、RC、SPA算法分别提取31、7、20个特征波长。采用特征波长建立PLS、LS-SVM甘薯损伤特征识别模型。全部模型准确率均在98.64%以上。其中,CARS-LS-SVM模型对甘薯机械损伤的预测精度最高,训练集中合格和机械损伤区域的误判个数分别为0和1个,判别准确率为99.77%,预测集中合格和机械损伤区域的误判个数均为0个,判别准确率为100%。为了实现甘薯机械损伤区域定位识别,采用PCA法对CARS的31个波长下的单波段图像进行数据压缩,得到前4个PC图像的累计贡献率为99.99%。利用“sobel”算子提取PC1图像中样本边缘信息,采用K均值聚类算法对PC2图像中样本的损伤特征区域识别。最后,将样本的边缘和机械损伤区域信息结合,实现甘薯机械损伤特征识别。在116个机械损伤样本中共有2个样本没有被正确识别,识别率为98.28%。结果表明,CARS方法是优于RC、SPA的特征波长优选方法,显著提高建模的速度和精度。（2）以甘薯为研究对象,利用实验室自主搭建的近红外光谱实验平台对甘薯样本进行光谱采集,光谱技术结合多种变量筛选算法对甘薯SSC含量特征进行定量检测研究,分析甘薯SSC含量的近红外光谱特性,利用SNV方法对原始光谱预处理,采用CARS、RC、SPA、CARS-SPA方法分别筛选出67、36、15、31个特征波长。采用CARS、SPA、RC、CARS-SPA特征波长以及全波段波长建立PLS、LS-SVM、ELM、RF甘薯SSC含量定量检测模型。结果表明,RC特征波长建立的模型的预测结果最好,RC-ELM模型预测甘薯可溶性固形物含量结果最优,预测集样本的决定系数和均方根误差分别为0.8199和1.1941,模型精度及稳定性均优于其他模型。RC算法筛选的特征波长能够更加全面的反映与甘薯可溶性固形物含量相关的信息,是优于CARS、SPA和CARS-SPA算法的特征波长提取方法。本研究从光谱维度完成了对甘薯SSC含量预测检测研究,表明可见/近红外光谱技术用于检测甘薯可溶性固形物含量是可行的。基于可见/近红外光谱技术的RC-ELM模型是一种有效的甘薯可溶性固形物含量检测方法。（3）为建立一种快速无损鉴别甘薯冻害的检测方法,利用高光谱技术采集900～1700 nm完好和冻害两类甘薯的高光谱信息并提取样本完好和冻害区域光谱,获得完好和冻害区域光谱343和476个。采用Kennard-Stone算法挑选训练集和预测集中完好和冻害样本,分析研究冻害甘薯光谱特性。采用不同方法预处理原始光谱,最佳的预处理方法为一阶导数预处理。结合变量选择方法对甘薯冻害特征进行定性识别研究,通过CARS、IRIV、CARS-SPA、IRIV-SPA方法分别选出46、65、24、35个特征波长,并采用全波段波长和特征波长建立PLS、LS-SVM冻害甘薯识别模型。结果表明,高光谱技术有效实现对冻害甘薯检测。CARS算法筛选的特征波长能够更加全面的反映与甘薯冻害相关的信息,是优于IRIV、CARS-SPA、IRIV-SPA方法的波长提取方法。CARS-PLS模型对甘薯冻害特征识别结果最好,预测集样本识别正确率、灵敏度和特异性分别为98.05%、98.84%和97.48%。