油桃系普通桃的变种,起源于我国,由于其具有对土壤、气候适应性强的特点而得到了广泛的种植。油桃以其果皮光滑无毛、色泽艳丽、风味浓甜而深受人们的喜爱。本研究以油桃为研究对象,基于高光谱成像技术分别对油桃的外部缺陷和内部品质进行了检测研究,同时实现了对多品种油桃的分类判别。本研究的主要内容与结论如下：(1)基于高光谱成像技术的光谱维角度对“中油9号”油桃外部缺陷的检测研究。采用可见/近红外波段(420～1000nm)的光谱数据,分别建立全波段、主成分和特征波长的偏最小二乘法(Partial Least Squares, PLS)、最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)和极限学习机(Extreme Learning Machine, ELM)的检测模型,并对其完好果、裂纹果、锈斑果、异形果和暗伤果进行缺陷检测。结果表明：采用全波段光谱数据建立的LS-SM模型得到最优的判别效果,判别精度为96.67%;采用主成分光谱数据建立的ELM模型得到最优判别效果,判别精度为90.00%；采用偏最小二乘回归法(Partial Least Squares Regression, PLSR)连续投影法(Successive Projections Algorithm, SPA)提取得到的特征波长建立的最优判别模型均为LS-SVM模型,其判别精度分别为95.00%和94.17%。(2)基于高光谱成像技术从图像识别的角度对“中油9号”油桃外部缺陷进行检测研究。首先对缺陷样本进行图像的主成分分析,分别得到相应的主成分图像(Principal Component, PC图像)。通过对不同主成分的分析比较,确定裂纹果、锈斑果、异形果和暗伤果分别采用PC-4、PC-3、PC-和PC-5图像进行缺陷区域的分割。由于油桃样本在876nm处出现最高反射率,因此使用该波长下的样本灰度图分别对PC图像进行掩膜处理,再运用Sobel算子对掩膜后的图像进行边缘识别,得到样本边缘图像。最后对特征PC图像采用区域生长法(Region grow)提取样本的缺陷区域图像。采用该缺陷识别算法对多缺陷类型的油桃样本进行图像识别,结果表明：整体样本的正确识别率为92.50%。(3)基于高光谱成像技术从图像纹理判别的角度对“中油9号”油桃样本外部缺陷进行检测研究。使用ENVI软件提取样本图像中50×50像素大小的感兴趣区域图像。然后选取均值、对比度、相关性、能量、同质性和熵值作为本研究的纹理特征指标,通过不同建模方式的对比从而实现对缺陷纹理特征的识别分析。结果表明：使用LS-SVM建立的模型得到最优的判别结果.整体识别率为88.33%。(4)基于高光谱成像技术对油桃内部品质的检测研究。利用分波段高光谱成像技术(420～100Onm、900-1700nm)分别对油桃的果肉硬度、可溶性固形物、可滴定有机酸以及维生素C含量进行定量分析研究。通过平滑算法、附加散射校正(Multiplicative Scatter Correction, MSC)、变量标准化(Standard Normalized Variate, SNV)、基线校正、去趋势算法等多种预处理方法进行光谱预处理,对原始光谱进行数据简化,采取主成分光谱数据、PLSR法和SPA法分别得到的特征波长建立PLS、LS-SVM、ELM模型对内部品质进行检测,得出最佳的建模方法。结果表明：果肉硬度值使用SPA法提取得到的特征波长在可见/近红外波段下PLS模型所得到的预测效果最好,其决定系数(R2P)和预测均方根误差(toot Mean Square Error of Prediction, RMSEP)分别为0.8645和2.7363;可溶性固形物含量值使用主成分分析法提取得到的光谱数据在可见/近红外波段下采用ELM模型所得到的预测效果最好,其R2P和RMSEP分别为0.8323和0.0622;可滴定酸含量值使用PLSR法在近红外波段下采用PLS模型所得到的预测效果最好,其R2P,和RMSEP分别为0.7481和0.0250；维生素C含量值使用SPA法提取得到的特征波长在近红外波段下采用LS-SVM模型所得到的预测效果最好,其R2P和RMSEP分别为0.8029和0.1183。(5)基于高光谱成像技术对光谱信息和图像纹理信息进行数据融合,同时实现对“中油9号”油桃样本的外部缺陷和可溶性固形物含量的检测研究。以光谱主成分值与图像纹理特征融合值作为PLS、LS-SVM、ELM模型的输入,分别建立外部缺陷判别模型和可溶性固形物含量预测模型。结果表明采用主成分与纹理特征融合值建立的LS-SVM模型其外部缺陷判别效果和可溶性固形物预测结果均为最好,其中,外部品质判别模型的正确率为93.33%；内部品质预测模型的R2P和 RMSEP分别为0.8747和 0.9101.(6)采用分波段高光谱成像技术从光谱维角度出发对4种不同品种的油桃进行了定性判别。对于可见/近红外波段和近红外波段下的全波段、主成分、PLSR法提取得到的特征波长、SPA法提取得到的特征波长光谱数据分别建立PLS、LS-SVM和ELM分类判别模型。结果表明：可见/近红外波段的建模效果明显优于近红外波段建模效果;且对于三种建模方式而言,PLS模型取得了最优的判别效果：其中全波段光谱数据模型、主成分光谱数据模型、PLSR法提取得到的特征波长光谱数据模型、SPA法提取得到的特征波长光谱数据模型判别正确率分别为96.43%、92.37%、94.92%和93.33%。(7)采用可见/近红外波段下高光谱成像技术从图像纹理分析角度出发对4种不同品种的油桃进行定性分类判别。通过灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)提取得到可见/近红外波段的图像纹理特征值,并建立PLS、LS-SVM、ELM模型对4类油桃品种进行分类判别研究。研究结果表明：对于可见/近红外波段下的图像纹理特征值采用PLS模型建立的判别精度最高,其整体判别正确率为81.49%。(8)采用可见/近红外波段下高光谱成像技术从信息融合角度出发对4种不同品种的油桃进行了定性分类判别。通过信息融合技术对光谱主成分、PLSR法提取得到的特征波长、SPA法提取得到的特征波长与图像纹理指标值进行数据融合,并分别建立了PLS、LS-SVM、ELM分类判别模型。研究结果表明：采用PLSR法提取得到的光谱特征波长与图像纹理特征融合值建立的LS-SVM模型得到了最佳的判别精度,其整体判别正确率为92.46%。