随着社会经济的不断发展,消费者对水果品质的控制要求日益严格。我国水果总产量居于世界领先地位,而年出口量仅占3%左右,造成这种现象的重要原因是当前我国水果缺乏有效地分级,商品化处理水平低,导致果品参差不齐,无法有效地提高其市场价值与国际竞争力。本论文以浙江“云和”雪梨为研究对象,利用可见-近红外光谱技术(Visible-near infrared spectroscopy,Vis-NIRS)和化学计量学方法检测其可溶性固形物的含量(Soluble solids content,SSC),SSC是评估梨的内部品质的一个重要指标。主要内容和研究结论如下:(1)采集145个“云和”雪梨样本的漫反射光谱并测定SSC值,通过六种预处理方法(均值中心化、多元散射校正、标准正态变量变换、一阶导、二阶导、平滑)优化光谱并建立“云和”雪梨SSC的偏最小二乘(Partial least squares,PLS)模型,结果表明均值中心化为最优的预处理方案。(2)光谱预处理优化后,以无信息变量消除法(Uninformative variable elimination,UVE)、竞争性自适应重加权法(Competitive adaptive reweighting sampling,CARS)及其组合(UVE-CARS)共三种变量选择策略来进行光谱有效波段的筛选,建立“云和”雪梨SSC的PLS预测模型。比较全变量模型和三个特征变量模型的预测性能,UVE-CARS-PLS模型取得了最优的检测效果。(3)采用堆叠融合和误差融合两种融合策略对两个成员模型进行融合建模。一个是在校准模型阶段将交叉验证均方根误差(Cross-validated root mean square error,RMSECV)降到最小的前12个潜在变量(Latent variables,LVs)确定的优化PLS模型,另一个是使用剩余的最后8个LVs构建的多元线性回归(Multiple linear regression,MLR)模型。与通用PLS模型、优化后的PLS模型以及基于剩余信息的MLR模型相比,误差融合模型的预测性能最优,其R_P为0.9026,RMSEP为0.5945,与最佳PLS成员模型相比,评估指标分别提高了0.26%和7.5%的预测能力。(4)对比基于变量选择的UVE-CARS-PLS模型和误差融合(Error fusion)模型的预测结果,误差融合模型的预测性能优于任何单模型和堆叠融合模型,可以得出结论,误差融合的建模策略可以整体有效地利用两个成员模型的有用光谱信息,提高模型预测性能。(5)为探究误差融合策略在其它产品品质检测中的有效性和推广性,本论文接着建立了预测蜜桔SSC的误差融合模型,模型良好的预测性能进一步证明了该融合策略确具有其特定的优势。