彩色马铃薯具有粮菜兼用的功能,彩色马铃薯内部不仅含有人体所需的各种氨基酸和多种微量元素,而且还含有花青素。花青素具有抗氧化、抑制炎症、改善视力、预防癌症等多种功效,所以彩色马铃薯深受消费者喜爱,具有很好的市场前景。然而目前马铃薯内部成分含量检测主要依靠化学方法,这些方法受到操作人员的操作经验和疲劳程度影响,出现检测精度不稳定,检测过程费时费力等,本文将利用高光谱和图像技术,将光谱与与图像技术进行融合,并引入深度学习算法,探索马铃薯内部花青素、蛋白质和淀粉含量检测方法,主要研究内容如下:（1）研究了基于马铃薯内部花青素、淀粉、蛋白质含量的快速检测方法。研究利用高光谱成像技术获取了红美、黑金刚两种彩色马铃薯顶部、脐部、中间部位在382nm-1004nm光谱和图像信息,采用了SG、SG、SNV、DET光谱预处理方法消除干扰信息,同时采用了CARS、VCPA、IRIV、GA和SPA等方法筛选特征光谱变量,结合线性偏最小二乘法（PLS）建立品质指标花青素、淀粉及蛋白质含量的预测模型。结果表明,用马铃薯顶部光谱建立的模型最优,预测淀粉的最优模型是SPA-PLS,Rp=0.8454,RMSEP=0.786%,RPD=1.868;预测蛋白质的最优模型为IRIV-PLS,Rp=0.8832,RMSEP=0.145%,RPD=2.100;预测花青素的最优模型为CARS-PLS,Rp=0.8918,RMSEP=0.232%,RPD=2.219;提出使用MCO函数对PLS算法进行约束,构建了淀粉、蛋白质、花青素含量的MCO-PLS预测模型,提升了模型预测精度,其淀粉Rp=0.8633,RMSEP=0.625%,RPD=2.347;蛋白质Rp=0.9011,RMSEP=0.113%,RPD=2.696;花青素Rp=0.9116,RMSEP=0.184%,RPD=2.795;并应用此模型建立了淀粉、蛋白质、花青素含量的可视化分布。（2）基于信息融合的方式,利用高光谱数据的图像和光谱信息,优化了马铃薯花青素、淀粉、蛋白质的检测方法。采用了灰度共生矩阵GLCM和灰度统计矩阵GLGCM对马铃薯高光谱图像的纹理信息进行提取,建立了全纹理、纹理信息特征变量、信息多层次融合的基于PLS算法的淀粉、蛋白质、花青素含量预测模型;最终结果表明,基于GLCM建立的中层融合模型最佳,其中淀粉预测模型的Rc=0.9083,RMSEC=0.613,Rp=0.8988,RMSEP=0.647%,RPD=2.242;蛋白质预测模型的Rc=0.8711,RMSEC=0.151,Rp=0.8833,RMSEP=0.138%,RPD=2.206;花青素预测模型的Rc=0.8981,RMSEC=0.224,Rp=0.8976,RMSEP=0.222%,RPD=2.311。针对GLCM算法存在方向性不足问题,提出融合使用DTCWT算法,优化了纹理提取信息,构建的淀粉预测模型的Rp=0.9139,RMSEP=0.578%,RPD=2.539;蛋白质预测模型的Rp=0.9011,RMSEP=0.110%,RPD=2.753;花青素预测模型的Rp=0.9112,RMSEP=0.184%,RPD=2.805。（3）搭建了卷积神经网络的关于马铃薯显微结构下的花青素含量预测模型。应用显微高光谱技术,对马铃薯内部结构中的外皮部和内皮部制作切片,提取马铃薯显微层面的光谱信息。使用SG、SNV和DET以及他们之间的组合,对光谱数据进行降噪处理,同时采用了多种特征变量筛选算法,结合PLS以及卷积神经网络CNN模型对马铃薯的花青素含量建立回归预测模型。结果表明,CNN模型预测性能最佳,最优模型为内皮部的SG+DET+CNN模型,Rc=0.9499,RMSEC=0.0359%,Rp=0.9439,RMSEP=0.2384%,RPD=4.6516。（4）为了进一步提高CNN模型的预测精度,提出了使用多种方式对模型进行改进优化,以及数据融合的方式对显微结构下的马铃薯花青素进行定量检测。借助马铃薯内皮部的显微光谱图像信息,提出了在原始模型基础上引入高斯误差线性单元（Gaussian error linear element,GELU）、长短期记忆模块（Long and short-term memory,LSTM）、自注意力机制（Self-attention）,结果表明,CNN+GELU+LSTM+Self-Attention模型最佳,Rc=0.9556,RMSEC=0.0385%,Rp=0.9514,RMSEP=0.174%,RPD=5.2436。利用颜色和光谱信息融合方式,建立了CNN+GELU+LSTM+Self-Attention的花青素预测模型,Rc=0.9550,RMSEC=0.0345%,Rp=0.9588,RMSEP=0.1725%,RPD=5.4085,进一步提高了马铃薯花青素的检测精准。