柑橘黄龙病的早期鉴别对柑橘产业至关重要,利用近红外（Near Infrared,NIR）光谱分析技术对柑橘黄龙病进行鉴别具有便捷、快速、无污染等优点。本文主要针对传统检测方法准确率不高,稳定性较差的问题,提出两种适用于柑橘黄龙病的近红外光谱模型。模型集光谱数据预处理,波长筛选以及优化后的深度极限学习机等方法,并在不同分辨率光谱数据进行实验验证,主要研究内容如下:（1）提出一种最小角回归算法结合核极限学习机的柑橘黄龙病鉴别模型。该模型首先采用L2范数对光谱数据单位化,利用墨西哥帽小波变换对获取的光谱数据进行预处理,然后通过最小角回归（Least Angle Regression,LAR）算法实现预处理后的光谱特征波长的筛选,最后利用核极限学习机（Kernel Extreme Learning Machine,KELM）对筛选后的光谱数据进行分类。通过将近红外光谱数据划分为不同规模训练集进行实验验证,结果表明LAR-KELM（RBF）模型较极限学习机（Extreme Learning Machine,ELM）、波形叠加极限学习机（Summation Wavelet Extreme Learning Machine,SWELM）、反向传播神经网络(Back Propagation Neural Network,BP（2 layers）)、支持向量机（Support Vector Machine,SVM）和KELM（RBF）模型分类准确度高、稳定性强,能够应用于柑橘黄龙病的检测鉴别。（2）提出一种麻雀搜索优化深度极限学习机的柑橘黄龙病检测方法。首先将极限学习机和自动编码器（Auto Encoder,AE）相结合构建深度极限学习机（Deep Extreme Learning Machine,DELM）,然后利用麻雀搜索算法（Sparrow Search Algorithm,SSA）对深度极限学习机中输入权重和偏置进行优化,弥补随机输入权重和偏置对网络的影响,提高模型的稳定性和预测性能。为了验证该方法的有效性,采用不同分辨率、不同比例数据集进行实验并与BP（2 layers）、SVM、ELM、SWELM、KELM（RBF）和LAR-KELM（RBF）进行对比。实验结果表明,SSA-DELM较对比方法具有更高的分类准确度、更强的稳定性。说明此方法能够适用于近红外光谱柑橘黄龙病的早期诊断,具有较好的应用价值。