鱼类产品营养丰富，是人类摄取蛋白质的主要来源之一。但鱼类产品极易发生腐败，新鲜度是评价其品质好坏的一个重要指标。传统的新鲜度检测法主要有感官评定法、物理检测法、化学检测法以及微生物法等。感官评定法虽比较方便、直观，但主观性强，评定结果无法量化;理化和微生物法存在着检测过程繁琐，耗时，成本高且对样本具有破坏性等缺点。本研究尝试利用计算机视觉和近红外光谱技术对鱼的新鲜度进行检测，以便探索出一种能够无损、快速、准确检测鱼新鲜度的方法。　　 研究的主要内容如下:　　 (1)设计一套适用于鱼新鲜度检测的计算机视觉硬件系统。针对鱼体表水分含量高而产生强反射现象，将光源箱设计成拱形，实现箱内均匀漫反射照明;为更好地拍摄鱼鳃图像，设计楔形载物台，以增大鱼鳃成像面积，并采用LED台灯作为副光源，对鱼鳃进行补光，增强鳃内部照明。　　 (2)开发鱼图像分割算法，探索了鱼体、鱼眼、鱼鳃等感兴趣区域的分割方法。在分割鱼眼感兴趣区域时，为降低分割难度，先将鱼眼图像划分在一小范围圆形区域内，在此区域内利用局部动态阈值分割法进行分割，并结合最小二乘拟合圆法拟合得到鱼眼区域;在分割鱼鳃时，通过研究找到G-(a-S)组合通道图作为鱼鳃感兴趣区域的分割图像，以增大鱼鳃与其周围区域图像的对比度，提高鱼鳃分割方法鲁棒性。　　 (3)采用从鱼体、鱼眼和鱼鳃感兴趣区域提取到的颜色特征值对鱼新鲜度品质进行检测。利用各检测部位颜色特征值建立偏最小二乘判别分析模型对鱼新鲜度等级进行评判，发现各部位颜色特征值所建模型对鱼的新鲜度等级均有一定的预测能力，其中基于体表颜色特征值的模型预测效果最好，测试集样本的判别正确率为81.67％;将所有检测部位颜色特征值融台起来建立偏最小二乘判别分析模型时，训练集样本的新鲜度等级正确判别率达到96.67％，测试集的为88.33％，比基于单一检测部位颜色特征值的预测效果要好很多。且利用融合后颜色特征值建立了挥发性盐基氮的偏最小二乘回归模型，训练集样本的模型预测值与化学测量值的相关系数能够达到0.88，交互验证均方根误差为11.30，测试集的相关系数达到0.87，预测均方根误差为12.00。表明鱼在储存过程中，外表图像变化信息与鱼TVB-N含量之间存在良好的相关性。可以利用外观图像信息对内部化学指标TVB-N含量进行预测。　　 (4)采集鱼体表的近红外光谱信息，用多元散射校正法对光谱预处理后，建立鱼新鲜度等级的支持向量机评判模型，训练集样本的正确判别率达到94.17％，测试集的为85.00％，说明利用近红外光谱信息能够对鱼的新鲜度等级做出正确判别。且利用近红外光谱建立了TVB-N的PLS定量分析模型，训练集相关系数(Rc)和交互验证均方根误差(RMSECV)分别为0.83、13.25，测试集的相关系数(Rp)和预测均方根误差(RMSEP)分别为0.82、13.71;而利用si-PLS法建模时，训练集相关系数提高到0.91，RMSECV将至9.98，测试集样本的Rp和RMSEP为0.90、10.44。说明si-PLS模型更简洁，预测精度更高。　　 (5)利用计算机视觉和近红外光谱融合技术来识别鱼的新鲜度。单一检测手段检测信息不全，识别精度不高，研究将图像和近红外光谱两种信息融合起来对鱼的新鲜度进行判别。选取图像信息的前10个主成分和近红外光谱信息的前9个主成分在特征层进行融合，建立BP-ANN融合判别模型，训练集样本正确判别率达到了96.67％，测试集的达到93.33％。　　 研究结果表明:利用计算机视觉和近红外光谱技术对鱼的新鲜度检测是可行的，将这两种技术融合起来对鱼的新鲜度进行检测时，能够实现更高的判别精度。