柑橘一直是我国消费量最高的水果之一,因其水分含量高、富含营养物质且具有独特风味而日益受到消费者的喜欢。如今,随着人们生活水平的不断改善,消费者相比于柑橘的大小颜色等外部品质,更加关注柑橘以可溶性固形物含量为主的内在品质,因此需要内部品质快速无损检测技术,以提高柑橘品质一致性与商品化处理水平。本研究采用可见/近红外光谱技术,结合一维卷积神经网络等化学计量学方法建立柑橘可溶性固形物（Soluble Solid Content,SSC）预测模型,结合研发的手持式无损检测终端及水果光谱云端数据平台,开发了手持式柑橘可溶性固形物含量无损检测系统。本研究的主要内容如下:1.柑橘SSC的可见/近红外光谱检测方法影响研究。对比了柑橘在透射条件下几种摆放位姿的可溶性固形物含量预测模型精度,得到果梗-果萼平行于测试平台时,SSC预测效果最好;用多种预处理方法结合波段筛选算法建立柑橘可溶性固形物含量PLS回归模型,在用5点Savitsky–Golay卷积平滑（S-G平滑）预处理结合ACO算法筛选特征波长时最优,对校正集的预测结果Rc=0.980、RMSEC=0.234,对预测集的预测结果Rp=0.969、RMSEP为0.288;研究了柑橘皮厚、颜色、果径等物理特性对近红外光谱技术无损检测精度的影响,并通过数据融合的方法将先前ACO算法筛选的特征光谱数据与柑橘物理特性数据结合建立融合模型,柑橘果皮颜色＆果径联合补偿模型取得最好的效果,Rc=0.988、RMSEC=0.185,Rp=0.87、RMSEP=0.191。2.柑橘SSC手持式无损检测系统研发。以宽谱LED光源结合窄带响应微型光谱仪为核心设计了手持式柑橘可溶性固形物含量无损检测仪,并通过通讯模块与基于物联网技术的水果光谱仪云端数据系统相连接,实现云端数据上传及云模型的调用等功能。在此基础上,设计了一种一维卷积神经网络（Convolutional Neural Networks,CNN）模型用于柑橘可溶性固形物含量的预测,网络包括1层输入层、2层卷积层、2层池化层、1层全连接层和1层输出层。采集了柑橘的光谱数据并建立了1D-CNN柑橘可溶性固形物含量预测模型,该模型与偏最小二乘法（PLS）,人工神经网络（ANN）和支持向量机（SVM）等多种传统回归模型进行对比。1D-CNN模型的预测相关系数和预测均方根误差分别为0.812,0.488,模型性能最优。3.近红外光谱检测模型的仪器间影响及模型传递方法的研究。选择了三种模型传递方法,对手持式柑橘品质无损检测仪的多台仪器之间进行了模型传递:使用di PLS代替普通PLS对从机进行模型传递,目标域（从机）预测集RMSEP=0.491,Rp=0.795;使用TEAM算法对从机光谱进行转换,用主机建立的ELM校正模型预测SSC,得到从机预测相关系数Rp=0.724,均方根误差RMSEP=0.558;冻结源域（主机）1D-CNN模型提取特征的卷积层,在目标域建立1D-CNN训练模型。目标域（从机）校正集样本数为30时,预测集RMSEP为0.531,减少重新建模工作量的同时保证了目标域模型SSC预测精度。