饲料含水率是评价饲料品质的关键因素,且与饲料产品中各种营养组分指标的计算紧密相关。为了保证饲料的品质安全,生产与储存饲料,都需要严格把控饲料含水率在一定的范围内。鉴于目前饲料含水率传统检测方法存在检测时间长、操作复杂、耗能高等缺点,急需探索一种准确、快速、节能的检测方法。本文基于太赫兹、近红外光谱以及数据融合技术进行畜禽饲料含水率检测方法的研究与探索,主要内容如下:（1）建立基于太赫兹（THz）光谱技术的饲料含水率预测模型。以108份饲料样品为研究对象,采集样品的THz光谱。首先,使用三种方法划分样本集;然后,采用七种预处理方法对光谱进行预处理;接下来分别使用三种算法对样品光谱进行特征变量提取,结合偏最小二乘回归（PLSR）建立含水率预测模型。最后,使用评价参数校正集和预测集相关系数（Rc和Rp）、校正集和预测集均方根误差（RMSEC和RMSEP）和相对分析误差（RPD）对模型预测效果进行评价。结果显示,THz预测饲料含水率最优模型Rc、RMSEC、Rp、RMSEP及RPD分别为0.9807、0.0119、0.9811、0.0093、6.1613。结果表明,该方法预测效果较优,能够较快、较准的预测饲料含水率,为后续研究提供参考方法。（2）建立基于近红外（NIR）光谱技术的饲料含水率预测模型。以324份饲料样品为研究对象,采集样品的NIR光谱。首先,对异常样品进行剔除,使用三种方法用以划分样本集;然后,对光谱采用七种方法进行预处理;接下来,采用三种算法对样品光谱进行特征变量提取,结合PLSR算法建立含水率预测模型。最后,使用评价参数Rc、Rp、RMSEC、RMSEP和校正集标准误差与验证集标准误差的比值（SEC/SEP）对模型预测效果进行评价。结果显示,NIR预测饲料含水率最优模型Rc、RMSEC、Rp、RMSEP及SEC/SEP分别为0.9879、0.0085、0.9855、0.0095、0.8854。结果表明,该方法预测效果较优,能够较快、校准的预测饲料含水率,为后续研究提供参考方法。（3）为了提升饲料含水率模型预测效果,本文提出了通过THz和NIR光谱数据层融合（LLDF）及特征层融合（MLDF）构建饲料含水率预测模型。首先,采集108份饲料样品的THz和NIR光谱数据,对获取的光谱数据进行预处理;然后,将光谱数据通过首尾拼接进行数据层融合,结合PLSR建立数据层饲料含水率预测模型;接下来提取光谱特征变量进行特征层融合,结合PLSR建立特征层饲料含水率预测模型;最后,使用Rp、RMSEP和RPD对模型预测效果进行评价。结果显示,特征层光谱数据融合模型预测效果最佳,Rp、RMSEP和RPD分别达到了0.9933、0.0069和8.7386。特征层融合模型的Rp、RMSEP、RPD较单一THz、单一NIR特征变量所建立预测模型均有提升。结果表明,与THz或NIR光谱技术单独建立的饲料含水率预测模型相比,THz和NIR光谱数据融合预测模型能反应更多的饲料水分浓度信息,更加准确预测饲料含水率,为定量分析畜禽饲料含水率新思路、新方法提供一定的理论和技术支撑。