小麦在生长过程中极易受呕脱氧雪腐镰刀菌烯醇(Deoxynivalenol，DON，又名呕吐毒素)污染，并且难以防控。针对粮食真菌污染传统检测方法操作繁琐、时效性差等问题，本文以小麦样品感染DON后的光谱和图像信息为切入点，采用近红外光谱与机器视觉结合的在线检测技术，以及高光谱成像技术对小麦DON污染程度进行分析。鉴于小麦磨粉得到小麦粉的过程，DON含量和样品形态均有变化，本文分别以小麦粉和小麦籽粒作为研究对象，以上述两种方法采集样本的光谱和图像信息，依据DON含量与光谱和图像间的相关性，建立定性定量快速分析模型。本研究主要结论如下：
　　1、建立小麦粉DON污染的近红外光谱和图像信息融合的在线检测方法。近红外光谱结果表明，小麦在960nm、1140nm以及1420nm等处具有相同的吸收峰，与水分、蛋白质和淀粉中的C-H、N-H键的振动和断裂密切相关。主成分分析(PCA)结果显示，光谱和图像融合建模的PCA结果改善，聚类趋势明显。
　　采用线性判别分析(LDA)、偏最小二乘判别分析(PLS-DA)与支持向量机(SVM)分别建立DON污染的判别模型，LDA-光谱和图像融合模型的预测集最优结果为92%，比单一检测技术的建模结果提高了7%左右，说明数据融合后优化了模型精度，具有更好的表征能力。偏最小二乘回归分析(PLSR)模型结果显示，RPD值过低，不具备定量预测的能力。结果表明，运用近红外光谱和图像信息融合技术具有实现小麦DON污染在线检测的可行性。
　　2、基于高光谱成像技术的小麦粉DON污染的快速检测分析模型，融合高光谱图像的光谱和图像信息(小麦粉的光谱和颜色特征)。建模结果表明，基于竞争性自适应权重取样法(CARS)特征提取的CARS-LDA的建模集和预测集准确率分别提升到95%和94%，预测集准确率比光谱数据建模结果提高了14%；连续投影算法(SPA)-PLS-DA融合模型的建模集和预测集准确率最优，均超过了95.0%。结果表明，采用高光谱图像和光谱数据融合技术可以较好地实现小麦粉中DON的快速判别，并且模型准确度很高。
　　3、基于近红外光谱和图像信息融合技术建立小麦籽粒DON污染的在线判别模型，分别提取特征光谱以及小麦籽粒的纹理和颜色特征，并将数据分别进行融合建模。主成分分析结果显示出了数据融合的优势-即具有明显的聚类效果。
　　定性判别建模结果显示，光谱数据分别与颜色、纹理参数融合建模的结果均能提高对小麦中DON污染的预测能力，建模集和预测集结果分别提升到90%和85%左右，其中光谱与纹理特征融合建模结果最佳。
　　4、建立小麦籽粒DON污染的高光谱快速检测模型，融合小麦籽粒的特征光谱以及颜色、纹理特征参数，并建立相应的模型分类。不同感兴趣区域(ROI)提取方法的预测正确率均在85%左右，表明ROI的提取方法不影响建模准确率。定性判别结果显示，在不同的融合模型下，CARS-光谱+纹理的建模结果最佳，LDA-CARS-光谱+纹理的建模集和预测集准确度分别为93%和91%。融合模型的结果均比光谱建模结果提升，表明小麦纹理特征的应用对于小麦中DON的污染水平具有较好的预测效果。
　　5、对比两种融合技术在小麦粉/小麦籽粒的应用，结果表明，相对于单一检测技术，两种融合技术均能对小麦DON污染进行预测，且预测精度较高；近红外光谱和图像信息融合技术可以实现在线检测，高光谱技术具有更高的预测精度，对于小麦中DON的污染均有实际运用的潜力。