玉米是世界三大粮食作物之一,是我国十分重要的粮食作物,但玉米在储存及运输时容易发生霉变,影响粮食的质量安全。目前对玉米霉变的检测还停留在在抽样基础上的人工感官检测以及理化检测,存在成本高,操作复杂,可重复性差,周期长,容易对样品造成损伤等缺点。近年来高光谱图像技术的迅速普及,通过高光谱图像技术检测玉米霉变,相对传统检测方法,不仅能提高效率,减少成本,提高结果准确性,还能保证无损、无接触,避免在检测中造成二次污染影响结果。因此利用高光谱图像技术检测玉米霉变有着十分重要的意义。本文的主要的研究内容和成果如下:（1）本文对玉米种子的霉变部分进行像素级的检测,并结合了霉变玉米的光谱特征和纹理特征,由于数据维度高且分布为非团状,直接采用基于欧式距离的传统聚类算法时结果不理想,故提出一种基于模糊C均值聚类与谱聚类的多聚类中心算法,以第一次模糊C均值聚类结果中的聚类中心作为第二次谱聚类的数据,减少进行谱聚类的数据量,充分利用谱聚类优秀的聚类性能。同时,对于数据中的噪声问题,由于本算法中谱聚类是对第一次聚类的聚类中心进行聚类,孤立的噪声点很难成为聚类中心,故能减少噪声对谱聚类的干扰。本文利用该算法分别对人造数据集和霉变玉米种子的高光谱数据集进行分类,并与多种算法比较,结果表明,模糊C均值-谱聚类（FCM-SC）分类效果优于其他算法。（2）高光谱图像数据除了拥有众多波段下的光谱信息,相较于近红外光谱,还保留了图像的空间信息,但目前针对高光谱图像分类的研究,许多是将高光谱立方体数据展开成二维的矩阵,这样会导致数据的空间信息丢失,从而影响分类效果。而本文基于高阶偏最小二乘算法对玉米种子霉变部分进行像素级的检测,在算法中可将高光谱立方体作为输入数据,保留数据的空间信息,并与将立方体数据展开成二维后进行分类的其他算法进行比较,结果表明,高阶偏最小二乘分类效果优于其他算法。