老化的种子活力自然衰退,影响后续出芽率和植株生长发育的整个过程,进而影响农作物的产量。水稻作为我国主要粮食作物,其种子的老化检测更值得认真研究。目前,有关水稻种子的老化程度快速检测方法的研究中,大部分都以化学实验为主,其实验过程复杂、实验周期长,不利于快速检测。本文以近红外光谱技术为基础,进行了水稻种子不同老化程度的鉴别,旨在通过快速准确的方法,区分不同老化程度的水稻种子。本研究以黑龙江农垦总局建三江管理局种植的垦稻9号为研究对象。采用高温高湿方法获取不同老化程度的种子。然后对不同老化程度的水稻种子进行光谱采集,在对数据进行平滑、校正等预处理的基础上,利用主成分分析(PCA),偏最小二乘法(PLS)等方法对数据分析和建模预测。实验分析结果表明:本文提出的方法能有效对0天(d)、4天(d)、8天(d)等不同老化时间的水稻种子进行有效区分。本文的主要内容如下:(1)通过高温高湿的方法,获取不同程度的人工老化种子。将水稻种子分为5份,其中4份放入温度为50℃,湿度为99%的干燥箱中,分别老化2天(d)、4天(d)、6天(d)、8天(d)。得到老化程度分别为0d、2d、4d、6d、8d的5种不同老化程度的水稻种子样本,并分别获取各类样本的近红外光谱数据。(2)对不同老化程度的水稻种子进行光谱的预处理,首先选取适当的波长范围,即选取信噪比较高的1771nm~2499nm范围的光谱数据。选择5种不同的预处理方式,分别为Savitzky-Golay(S-G)一阶导数+多元散射校正(MSC)、Savitzky-Golay(S-G)平滑+MSC、S-G一阶导数+平均平滑、标准正态变换(SNV)+去除趋势(Ddetrending)、S-G一阶导数等,并在不同预处理基础上建立PLS模型进行评价,最终选取了效果最佳的S-G平滑+MSC方法进行下一步建模分析。(3)在S-G平滑+MSC法预处理方法基础上,建立了3种不同的模型:PLS-DA模型、PCA+BP神经网络分类模型和PCA+SVM分类模型。PLS模型建模集和预测集的R2分别为0.8162和0.7726,RMSE分别为1.3931和1.5577。PCA+BP神经网络模型是将预处理后的数据进行主成分分析降维,将前七个主成分作为BP神经网络的输入层,进行网络训练,最后得到的分类模型的准确率为99%;利用PCA前七个主成分建立SVM分类模型,得到了一个验证集准确率达99.17%的模型。实验的结果表明,本文所用方法具有高精度。该研究验证了基于近红外光谱技术的水稻种子老化程度鉴别的可行性,可应用于水稻种子老化程度检测中。有效提高了种子老化程度研究的效率,更为选种和种子管理提供了有效方法。为进一步进行水稻活性快速检测奠定基础。