储粮安全问题一直备受关注,粮虫检测及预防是储粮安全工作中的重点,如何检测出粮粒中是否含有隐蔽性害虫,具有重要的研究价值。针对目前已知的粮虫检测方法的不足之处,本文将生物光子分析技术与频谱分析相结合,研究了基于高阶谱的含虫小麦和正常小麦自发生物光子辐射信号的频谱特性,研究了基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,简称:CEEMD)算法和Hilbert谱的小麦自发生物光子辐射信号的时频谱分布特性,并与BP神经网络相结合对含虫小麦和正常小麦进行分类识别,识别效率达到92.5%。本文的主要工作如下:1.采用去除本底噪声、去除奇异值和小波降噪相结合的方法对小麦自发生物光子辐射信号进行预处理,实验结果表明,信号的噪声得到了很好的抑制。2.将高阶谱引入含虫小麦和正常小麦的自发生物光子辐射信号特性的分析中,探究其高阶频谱分布规律,实验表明含虫小麦的对角切片谱的均值、方差、能量等的均值大于正常小麦;随着频率的增大,含虫小麦和正常小麦的水平切片谱的能量先增大再变小;同一频率下,含虫小麦的水平切片谱的能量均大于正常小麦,正常小麦和含虫小麦在不同频率处的水平切片谱和的相位均在-2~2之间波动。3.从CEEMD和Hilbert谱的角度出发,探究含虫小麦和正常小麦的自发生物光子辐射信号的时频分布规律,实验表明含虫小麦和正常小麦95%以上的能量分布在0-0.1Hz;含虫小麦的Hilbert边际谱的谱重心频率和谱边缘频率都大于正常小麦;正常小麦在低频段0-0.02Hz,其幅值所占比重明显大于含虫小麦,在高频段0.05-0.5Hz,含虫小麦的Hilbert边际谱的幅值所占比重明显大于正常小麦。4.研究了基于频域特征和BP神经网络对含虫小麦和正常小麦的分类识别率,采用频域特征作为分类模型的输入时,分类准确率达到87.15%,当综合频域特征和时域特征作为输入时,分类准确率达到最高,为92.5%,此时,漏检率和虚警率分别为6.67%和8.33%。与以往的分类效果比较可知,本文方法可以更好地检测小麦是否含有隐蔽性害虫。结果表明将生物光子学和频谱分布特性应用于储粮害虫的早期检测是可行的,本文的研究成果为建立粮虫无损检测模型奠定了基础。