樱桃是一种深受大众青睐的高档鲜食水果,具有较高的营养价值,近年来更是具有较好的市场前景。传统水果品质缺陷检测主要依靠人工分拣,耗时费力,准确性易受干扰,而无损检测技术以其具有的快速、准确、无损等优点逐步替代传统检测方法,对水果品质的检测极为重要。在研究樱桃腐烂缺陷检测的方向主要多以机器视觉技术见长,核磁共振技术、X射线技术和光谱信息技术等技术因存在辐射、果体大小受限等问题,相关应用较少。而机器视觉技术存在过度依赖图像的信息,受环境因素影响较大,当存在与水果表面相近的缺陷时检测率便会受影响。高光谱成像可以采集水果的空间信息和光谱信息,将水果的理化性质与光谱信息对应起来,可以实现较为准确的检测,并且可以避免其他技术存在的缺陷问题。因此,本文以大连桑田果树种植园雷尼、红手球、砂蜜豆品种樱桃为研究对象利用高光谱成像技术实现腐烂樱桃的无损检测。主要内容如下:（1）本研究首先对腐烂感兴趣区域进行分割和对光谱数据的预处理。采用最大类间方差法（Ostu）和照度反射结合Ostu分割算法实现了对腐烂樱桃感兴趣区域图像的分割。结果显示,照度反射模型结合Ostu方法可以将反光区域遮盖的缺陷部位分割的更加完整;然后采用标准正态变换（Standard normal variate,SNV）和SG卷积平滑法（Savitzky-Golay,SG）进行光谱数据的预处理。结果表明,采用SG平滑的预处理算法效果最佳。（2）本研究实现基于高光谱成像对樱桃腐烂分级的特征提取及筛选。分别采用连续投影算法（Successive projections algorithm,SPA）、竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）和主成分分析（Principal component analysis,PCA）算法对3个品种樱桃进行特征波长提取,能够减少数据量;基于像素点缺陷检测方法,利用特征波段图像目标区域像素点的光谱反射率,建立ELM模型,实现了特征波长筛选。结果表明,CARS算法效果最佳;然后采用分块算法对特征波段图像进行处理,将分割后的图像块采用Gabor小波变换、灰度共生矩阵（Gray-Level co-occurrence matrix,GLCM）和局部二进制（Local binary patterns,LBP）算法提取纹理特征;然后经过相关性分析的筛选,腐烂樱桃原始的9个纹理特征筛选到4个。（3）本研究实现了腐烂樱桃的分级检测。利用特征波段的光谱值、特征波段图像块筛选后的纹理特征和图像块的纹理特征与其对应的中心光谱值融合作为输入矢量,建立支持向量机（Support vector machine,SVM）、BP神经网络（Back propagation neural Network,BPNN）、极限学习机（Extreme learning machine,ELM）模型分别实现樱桃腐烂检测,并将依据特征波段光谱值检测结果可视化。结果显示,樱桃腐烂分级检测CARS+4个纹理特征参数+ELM效果最优,总体准确率达到94.91%。结果表明,信息融合矢量建模结果高于任何单一矢量建模结果。综上所述,利用信息融合检测樱桃缺陷是可行的。