小麦生产过程中,病虫害和环境因素会影响小麦的产量和品质。病害小麦籽粒的识别和分级对改善小麦品质和促进小麦产业链的发展具有重要意义。传统的检测技术依赖于经验丰富的专业检测人员和分析化学技术,费时费力且效率低下。这些方法也无法满足同时大批量筛选小麦籽粒。因此,迫切需要开发一种快速、无损和高通量的方法。高光谱成像（Hyperspectral Imaging,HSI）集成了传统光谱与成像技术,可以同时获取样品的光谱和图像信息。然而,大多数研究仅利用光谱或者图像信息,并没有充分发挥高光谱数据的优势。本文利用有效波长的反射率图像,结合残差注意力卷积神经网络（Residual Attention Convolution NeuralNetwork,RACNN）和架构自搜索深度网络（Architecture Self-search DeepNetwork,ASSDN）识别小麦籽粒赤霉病（Fusarium Head Blight,FHB）侵染等级。研究内容如下:（1）提出了一种基于HSI和RACNN的FHB侵染程度识别方法。首先采集健康和轻度、中度和重度侵染的FHB小麦籽粒的高光谱图像,提取其反射率光谱。然后利用随机蛙跳（Random Frog,RFrog）选择光谱中的5个有效波长,并利用LeNet-5筛选不同有效波长组合的反射率图像。扩展基础网络LeNet-5的宽度和深度的同时,添加通道注意力和残差模块构建RACNN识别不同侵染程度的小麦籽粒。RACNN和940 nm和678nm的反射率图像结合时识别性能最佳,校正集、验证集和预测集的分类准确率分别为100%、98.60%和98.13%。同时,类激活图表明RACNN可以有效地提取不同类别籽粒的辨别特征。该方法能够快速、准确和大批量地分析小麦籽粒FHB侵染程度。另外,仅需的两个波长的图像可以被快速获取和处理,易于实现多目标的同步识别。（2）运用ASSDN鉴别健康和轻度、中度和重度侵染小麦籽粒。通过ReliefF、无信息变量消除、RFrog和混合蛙跳算法从高光谱图像的反射光谱中选择有效波长,并利用不同有效波长组合的反射率图像结合ASSDN建立分类模型。ASSDN利用940 nm、876 nm和732 nm处的图像取得了最佳判定结果,训练集和预测集的准确率分别为100%和98.31%,优于其他图像组合和算法。接受者操作特性曲线下平均面积为0.9985表明模型具有极好的鲁棒性。同时,ASSDN可以生成和优化高性能分类网络,方便用户使用,极大地拓展了深度网络的应用潜力。本文通过增加网络的宽度和深度,引入通道注意力和残差模块构建RACNN,并利用ASSDN寻找合适且高性能的网络。此外,融合图谱信息的有效波长的反射率图像能够提供丰富多样的特征。仅利用少量波长的图像,计算和操作复杂度明显降低,并且可以很容易地设计一个简单的和定制的仪器来识别FHB侵染小麦籽粒。总之,本文所提出的方法能够实现谷物籽粒快速、准确和高效检测,同时为工业级籽粒品质检测分离设备提供了理论方法和依据。