板栗是我国重要的经济作物,种植面积和年产量均居世界第一位,但是由于产后贮藏和加工技术研究不足,采后损失率高达30%,其单位产值也低于其他国家。快速、准确地鉴别霉变板栗,获取合格板栗内部主要成分信息,对于减少产后损失,实施按质贮藏、加工,保证产品质量和提高产业经济效益具有重要意义。近红外光谱是一种新兴的无损检测技术,具有速度快、易操作等优点,已广泛用于蔬菜、水果等农产品的品质检测中,但尚未应用于木质壳物料的定性定量分析。该文研究利用近红外光谱技术对板栗品质进行无损检测的方法,主要内容包括：利用无监督的系统聚类和主成分-系统聚类模式识别方法、有监督的偏最小二乘判别分析法、支持向量机判别法和偏最小二乘-支持向量机判别法等模式识别方法,对板栗内部霉变进行定性判别分析,并比较了不同光谱预处理方法,包括微分(Derivaion)、多元散射校正(MSC)、标准正态变量变换(SNV)等对判别结果的影响；利用主成分回归分析(PCR)、偏最小二乘回归分析(PLSR)建立板栗果仁样本和带壳板栗样本主要成分含量的定量检测模型；并比较了多种样本集划分方法,包括浓度梯度法(Concentration gradient)、Kennard-stone算法(Kennard-stone algorithm)和SPXY算法(Sample set partitioning based on joint x-y distances algorithm)),以及多种光谱预处理方法,包括微分、MSC、SNV对检测模型的影响；此外尝试采用正交信号校正法、间隔偏最小二乘法、投影权重法、遗传算法、无信息变量消除法和连续投影算法等方法对定量检测模型进行了优化与简化。主要研究结果和结论如下：1)首次验证了利用近红外漫反射光谱鉴别带壳板栗内部霉变的可行性,并且探讨了对不同霉变程度样本的鉴别能力,确定了利用近红外光谱技术鉴别外观无差异的完整板栗内部霉变情况的最佳方法。结果表明：带壳板栗样本的漫反射光谱能够携带反映其内部霉变程度的信息；利用近红外漫反射光谱可以对板栗内部霉变进行定性判别；有监督模式识别方法的判别准确性要高于无监督模式识别方法；对板栗样本霉变与否的判别准确性要高于对霉变程度的判别。判别样本是否霉变时,采用偏最小二乘判别法结合多元散射校正预处理所建模型的判别正确率达到99%,交互验证的敏感性和特异性为0.94；而主成分-系统聚类法的最高判别正确率为89%。判别样本属于合格类别、轻度霉变类别或者严重霉变类别时,采用偏最小二乘判别法结合多元散射校正处理所建模型的判别模型判别正确率最高,达到97%,模型交互验证的敏感性和特异性分别为0.91和0.92；主成分-系统聚类法结合伍氏算法计算类间距离的正确率为76%。2)验证了利用近红外光谱对外覆木质壳物料内部成分进行定量检测的可行性。针对样本带壳、栗仁两种状态下的近红外漫反射光谱,系统地对比了不同样本集划分方法、光谱预处理方法、回归模型建立方法对样本光谱特征和参考值的关联能力,证实了利用近红外光谱技术检测板栗内部品质具有良好的应用前景。结果表明：通过近红外光谱分析技术可以对板栗内部主要成分进行定量检测；利用SPXY法进行样本集划分最适合；偏最小二乘回归法的建模效果优于主成分回归法；栗仁内部主要成分的检测结果优于带壳板栗的检测结果；微分预处理对板栗样本光谱信息的提取能力优于其他预处理方法；基于栗仁光谱的分析模型其预测精度与待测成分的含量浓度正相关,而基于带壳板栗光谱的分析模型则无此规律。3)在栗仁光谱分析中,水分含量检测模型的校正集相关系数、预测集相关系数、校正均方根误差和预测均方根误差分别为0.9359、0.8437、1.44和1.83,糖分含量检测模型的校正集相关系数、预测集相关系数、校正均方根误差和预测均方根误差0.9072、0.8649、0.76和0.74,淀粉含量检测模型的校正相关系数和预测相关系数分别为0.9168和0.8376,校正和预测均方根误差分别为1.07和1.26,蛋白质含量检测模型的校正集相关系数、预测集相关系数、校正均方根误差和预测均方根误差分别为0.9044、0.8029、0.29和0.40。在带壳板栗光谱分析中,水分含量检测模型的校正集相关系数、预测集相关系数、校正均方根误差和预测均方根误差分别为0.8270、0.7655、2.27和2.35,糖分含量检测模型的校正集相关系数、预测集相关系数、校正均方根误差和预测均方根误差0.8379、0.5891、1.12和1.32,淀粉含量检测模型的校正相关系数和预测相关系数分别为0.9137和0.8432,校正和预测均方根误差分别为1.09和1.24,蛋白质含量检测模型的校正集相关系数、预测集相关系数、校正均方根误差和预测均方根误差分别为0.8748、0.7324、0.35和0.38。4)利用正交信号校正法、间隔偏最小二乘法、投影权重法、遗传算法、无信息变量消除法和连续投影算法方法对板栗内部主要成分检测模型进行了简化和优化,4种主要成分中,以水分模型的优化效果最显著,其模型相关系数提高和变量减少幅度最大；其次为蛋白质模型,利用正交信号校正、投影权重法和连续投影算法均能提高其预测能力；糖分模型可以通过正交信号校正来提高预测相关系数和模型稳定性,然而其余方法只能实现模型的简化；淀粉模型的各项精度指标均能通过正交信号校正得以优化,但是其余方法不同程度地降低了模型的预测性能。5)比较了各种特征波长提取方法对4种成分检测模型的优化效果：间隔偏最小二乘法能够在减少50%的波长变量后得到与全变量模型性能相近的结果；投影权重法能够利用少于总数35%的波长变量基本保持模型的性能,但是其对预测性能的提高能力比较有限,仅能提高蛋白质模型的预测能力；遗传算法每次得到的特征波长变量数变化较大,对波长变量的保留率最高为30%,但是特征波长变量的选择频率较高,其模型性能整体欠佳；无信息变量消除法对波长变量的滤除率在90%以上,多次计算所选取的变量数的特征波长位置基本一致,模型性能亦无显著差异；连续投影算法针对各成分所选取的变量不超过变量总数的3%,该法所选29个水分特征波长所建模型为最优水分检测模型,然而其对糖分模型和淀粉模型的优化效果并不显著。