苹果品质的检测分级对于实现苹果产品加工增值、增强我国苹果产品的竞争力起着重要作用。近年来,近红外光谱分析技术因其光谱数据获取快、无损、样本制备要求有限等优点,成为了农产品、水果品质检测中一项重要技术。利用一定数量的有标签训练样本构建近红外光谱数据和品质参数间的数学模型是实现苹果品质准确检测的关键。由于训练样本的标签获取需要破坏性理化实验,因此,如何以最小的标注代价获取高精度的预测模型是一个值得研究的课题。本文结合主动学习方法,研究了苹果品质预测模型构建和模型更新中的样本选择问题。主要研究如下:1.提出了一种基于无监督主动学习方法的训练样本选择策略。该方法首先利用层次凝聚聚类算法对样本光谱数据集进行多样性划分;其次,通过局部线性重建算法在每个聚类簇中选择最具代表性的样本予以标记（理化指标值）;最后基于所选样本构成训练集用于模型训练。利用两个年份三个品种苹果的近红外光谱数据,基于所提方法构建了其可溶性固形物含量和硬度的偏最小二乘回归预测模型,实验结果表明:在同等200个训练样本的标注代价下,相比于随机采样、Kennard-Stone算法和光谱-理化值共生距离算法,基于提出的无监督主动学习构建的可溶性固形物含量检测模型预测集均方根误差降低了2.0%～13.2%,硬度检测模型预测集均方根误差降低了1.2%～15.7%。2.提出了一种基于不确定性采样策略的模型更新方法,以提高模型对不同年份苹果样本的预测精度。该方法首先基于光谱信息散度在原始训练集中选取部分样本;其次,结合输入特征空间光谱的相似性和输出空间的预测偏差,利用不确定性采样策略从目标年份的更新集中选择部分样本（更新样本）予以标记;最后基于选取的部分原始训练样本和更新样本迭代地更新模型。以两个年份采收的三种品种苹果为研究对象,对所提出方法进行了评估。实验结果表明:在同等标注150个更新样本代价下,提出的基于不确定性采样的模型更新方法相比于基于随机采样、Kennard-Stone算法和委员会查询算法的模型更新方法,可溶性固形物含量检测模型更新后预测集均方根误差降低了7.6%～39.9%,硬度检测模型更新后预测均方根误差降低了3.4%～34.0%。3.提出了一种结合模型搜索和主动学习的多模型框架,以提高模型对不同品种苹果品质的预测能力。该框架首先利用主动学习方法选取最有价值的样本以训练高精度的品种判别分类模型,并构建模型搜索机制;其次,基于主动学习方法建立不同品种苹果品质检测回归模型;最后,对于未知品种苹果样本,根据品种判别模型得到分类结果,基于模型搜索策略得到特定品种品质检测模型,输出品质预测值。实验结果表明:多模型框架可以减小品种差异对模型精度的影响,相比于通用模型,多模型框架预测可溶性固形物含量预测集均方根误差降低了24.5%～40.6%,预测硬度预测集均方根误差降低了21.6%～46.2%。