种子作为农作物生产环节中最基本的生产资料之一,是农业持续稳定发展的基础,种子质量的优劣直接影响着作物的产量和品质。种子活力是种子质量的重要组成部分,高活力种子具有较强的生长优势、抗逆性及生产潜力与品质。因此,对种子活力的检测具有重要的实践意义。现有的种子活力检测技术存在费时、费力,费种的问题,对无损、快速的活力检测技术的研发显得极其重要,对育种、大田生产,种质资源保护意义深远。本研究选用了18个小麦品种,对其进行人工加速老化处理后,使用地物光谱仪采集了小麦种子的高光谱反射率数据,随后进行标准发芽实验,获取了4种活力指标数据并依照马氏距离进行异常值的剔除。将高光谱数据曲线进行删减与剔除后,使用卷积平滑算法（SG）、标准正态变换（SNV）、多元散射校正（MSC）、最大最小归一化（Max-Min NOR）、一阶微分（FD）、倒数之对数（LOG（1/X））等6种预处理方法对原始光谱进行预处理,结合了偏最小二乘回归（PLSR）、主成分回归（PCR）,多元逐步回归（MSR）3种建模方式进行全波段光谱建模;选用不同老化处理时长样本数据优化模型参数;使用连续投影算法（SPA）与主成分分析（PCA）2种特征波段筛选方法分别获取特征波段建立特征波段模型。结果如下:1.不同小麦品种、不同人工加速老化处理时间（0d、2d、3d、4d）对种子活力的发芽势（GE）、发芽率（GR）、发芽指数（GI）、活力指数（VI）指标的影响均达到极显著水平。依照种子活力指标间的马氏距离能够剔除异常样本数据。2.光谱的前期处理获取了样本的平均光谱,删减了350-400nm、2401-2500nm波段的数据,并对异常的光谱数据进行剔除;光谱预处理能够有效减少光谱中的噪音以及基线漂移等,能够有效影响种子活力与光谱间的相关性,经过预处理后结合活力指标数据,分别建立数据集,每个数据集中包涵194个样本的四种种子活力指标数据以及对应的光谱数据,建模集包涵133个样本数据组成,验证集包涵61个样本数据组成。3.对小麦种子活力指标有最优预测能力的模型是PLSR模型,GE、VI指标最优模型为SG+SNV+PLSR;GR与GI指标最优模型分别为SG+PLSR与NONE+PLSR;调整数据集部分样本后使用新的数据集进行模型优化,结果为:GE-SG+SNV+PLSR模型的验证集决定系数（RP~2）不低于0.87,相对分析误差（RPD）不低于2.61;GR-SG+PLSR模型中RP~2不低于0.859,RPD不低于2.48;GI-NONE+PLSR模型中RP~2不低于0.86,RPD不低于2.56;VI-SG+SNV+PLSR模型中RP~2不低于0.82,RPD不低于2.29。4.对全波段光谱数据使用连续投影算法（SPA）和主成分分析（PCA）进行特征波段的筛选,将筛选出的特征波段用于模型建立。结果表明,特征波段模型全面弱于全波段模型,其中VI指标不适合使用SPA与PCA筛选特征波段建立PLSR模型,其它种子活力指标模型中由SPA方法提取的特征波段建立的模型结果最优;在SPA中设置特征波段的最大数量为15时,提取的特征波段用于GP、GE模型的建立最优,RP~2分别不低于0.81、0.840,RPD分别不低于2.17、2.31;设置为30时,提取的特征波段用于GI模型的建立最优,RP~2大于0.81,RPD大于2.2。5.综上结果表明,使用全波段高光谱数据或特征波段数据均可以用于小麦种子的发芽势（GE）、发芽率（GR）、发芽指数（GI）指标的检测,而活力指数（VI）指标仅适用于全波段高光谱数据检测。