提高我国农产品的技术含量和产品附加值,增加我国农产品的商品化程度,可以让包括粮食产品在内的农产品在国际市场上更具竞争力。将机器视觉和高光谱等自动化检测技术引入粮食品质检测,使粮食品质得到准确、快速的检测,是实现该目标的有效途径之一。本文以粮粒和其中所含的杂质为研究对象,研究了机器视觉和高光谱技术应用于粮粒与识杂质别应用中的基本理论和方法,主要研究内容和成果如下：(1)研究了粮粒的光谱特征。采集嘉兴、长兴两地的4个水稻品种,根据样本将其分为完整粒、不完善粒、有机杂、无机杂等9类。再采集包含956个波段的静态高光谱图像32幅,通过五因素四水平正交实验的方差分析,优选了卤素灯作为光源,黑色环氧板作为背景,光照强度在6000-120001ux之间。在此实验条件下提取高光谱数据的前4个PCA图像,结合第三、第四主成分的权重系数选择波段在620-680nm范围内的光线作为设计机器视觉粮粒杂质检测系统的照明。(2)建立了基于高光谱技术的粮粒水分检测模型。设计复水实验控制玉米品种02102和小麦品种NS21的水分含量在10%-20%区间内,再采集不同水分条件下的高光谱数据,样本数量为每批次3g,共300批。先采用MSC对光谱数据进行预处理,然后通过回归分析分别得到与玉米、小麦水分值相关系数最大的4个和5个波长。再通过经验公式使用节点数为4-5-1和5-5-1的三层BP人工神经网络建模技术分别对玉米和小麦含水率进行了预测。通过回归分析得到预测结果与实际值之间的决定系数R2分别为0.98和0.96,相对误差绝对值的平均值分别为0.3090和0.1916。该结果表明利用高光谱图像技术对玉米和小麦含水率进行无损检测是可行的,为建立一种新型的粮粒水分检测方法和去除水分对于高光谱粮粒检测的影响奠定了基础。(3)构建了粮粒与杂质识别的机器视觉静态检测硬件系统和识别模型。根据国家标准并结合实验样本特点将其分为破碎粒、不完善粒、有机杂、无机杂、完整粒共6个子类别。根据直方图阈值分割方法选取纸质白色背景作为图像采集的背景。再采集6400幅粮粒图像,提取了图像的形状、颜色、不变矩等29个特征进行杂质识别的建模过程。先通过以单特征识别为主的决策树判定法识别出68.6%的杂质；再建立了节点数为28-9-2的三层BP人工神经网络的方法建立识别模型,网络训练算法为L-M优化算法,隐层和输出层激发函数分别为对数函数和线性函数,训练终止条件为MSE.达到0.01或迭代次数超过8000。结果显示该模型的总体识别正确率在90%以上,并从选样、采集和分析算法三个方面列出了造成模型误检的主要原因。建立及应用该识别模型的软件为命令行批处理形式,采用Matlab的M语言开发。