大豆是黑龙江省绝大多数农民心中分量极重的主栽作物，是近几年农民增收的现实选择，据统计播种面积已达6000万亩，占全国的40％，产量更达全国的50％。随着人们生活水平的提高，粮食供求的主要矛盾己从数量的不充足转为质量的不理想。以稻米为例，我国的产量近2亿吨，居世界第一位，但由于品质差，导致销量低，积压严重。我省大豆出口量也呈下降趋势，其中一个重要的原因就是谷物品质检测技术落后，使出口谷物混等混级，良莠不齐，在国际市场上缺乏竞争力。由此可见，提高我国粮食质量、增强农产品国际竞争能力已是当务之急。 利用机器视觉技术和近红外分析技术进行谷物的外观品质检测和内部品质检测研究，对提高我国粮食的市场竞争力和指导育种工作都具有重要意义，特别是在我国加入WTO后，研究工作显得更加重要。在这样的背景下，本文以产自黑龙江省的大豆为样品，利用机器视觉技术进行了大豆的外观品质检测，利用近红外分析技术进行了大豆脂肪酸含量的检测。主要研究内容如下： (1)对图像基础处理算法进行了研究，分析了适用于大豆外观品质检测的图像处理算法。 (2)研究了静态情况下的外观品质检测系统，实现了大豆灰斑病的检测。该系统在采集图像时允许籽粒相连，降低了硬件加工成本，方便了用户的使用。 (3)对于大量粘连大豆籽粒图像的分割问题，提出基于数学形态学的滤波算法和改进的分水岭分割．算法，使该问题得到了解决，为后续处理工作奠定了基础。 (4)利用瑞典波通公司生产的8620型近红外仪获取了来自黑龙江省生产的25分大豆样品的光谱数据。 (5)利用常规的化学分析方法测得了所收集的25份大豆样品的五种脂肪酸的含量。 (6)对不同光谱预处理与数学处理对建立定标方程的影响做了初步探讨后，以人工神经网络为主要技术手段建立了大豆脂肪酸含量预测的神经网络模型，对粉末样品建立定标模型，并用未参与定标的一组样品作为检验集对模型进行检验，经过大量的检测实验，并参照国内外众多资料，总结了检测误差的原因，根据实验情况总结了降低检测误差的方法以及在实验中应该注意的事项。