水果和蔬菜等农产品内部成分含量的检测是一项重要的研究课题，随着分子光谱分析技术的发展，使得无损检测成为一种可能，并逐渐成为一种快速、有效的检测手段，以替代复杂的化学方法。本文以苹果和莲藕作为研究对象，利用化学计量学的方法和理论，对近红外光谱分析检测方法和定量分析校正模型的建立机理进行了研究。本文共收集了101个苹果样本和80个莲藕样本，分别对苹果中总糖含量和莲藕中的水分、淀粉含量进行了标准方法的检测。通过奇异样本的判定方法对样本集进行了分析，删除了其中的奇异样本数据。最终选用100个苹果样本和72个莲藕样本参与了建模和预测。接着利用光谱预处理的方法，对近红外光谱进行了平滑和去噪。由于近红外光谱分析模型是一种基于数据的模型，因此需要采用多元回归方法对光谱数据和物质含量进行分析。本文采用偏最小二乘回归方法建立了基础的校正模型。并针对偏最小二乘只能进行线性拟合的特点，引入了具有非线性特性的多项式偏最小二乘回归和PLS-BP神经网络方法进行了建模机理的研究。通过对比和分析，PLS-BP方法可以取得最佳的建模效果，模型的性能得到了很大的提高。苹果总糖含量模型校正集相关系数达到0.992，预测集相关系数达到0.942。莲藕水分、淀粉含量的预测集相关系数分别达到0.923和0.938。为解决近红外光谱数据规模大、多重共线性严重、不含有效信息的变量较多的缺点，利用近红外波长区域的选择和优化算法对波长变量进行了优选。分别建立了后向联合区间偏最小二乘、串联双通路构建图的蚁群优化算法、加入噪声对比的平均影响值方法。通过使用以上三种方法对波长区间和变量的筛选，减少了波长的使用，缩减了建模变量的规模，提高了模型的稳定性和校正、预测性能。使得苹果总糖含量校正集相关系数达到0.974，预测集相关系数达到0.968。最后，引入了神经网络集成的方法，使用Bagging-ANN方法，对BP神经网络的模型进行了进一步处理和分析，克服了人工神经网络的建模随机性强的缺点，建立了神经网络的稳定模型。苹果总糖含量预测集相关系数达到0.977。