白酒因其深厚的历史背景和独特的酿造工艺,深受国人的喜爱。而曲块作为白酒酿造的发酵剂与生香剂,在其中起着至关重要的作用。曲块生产的是以多种物质与微生物等共同作用的动态发酵过程,掌握曲块发酵过程各物质变化情况是实现白酒智能化酿造的关键因素。目前大曲品质检测仍然依靠人工经验,存在品质波动大、检测成本高、无法实现实时定量与定性检测等问题。而通过高光谱检测技术对大曲动态发酵各指标进行检测过程中发现:虽然通过高光谱技术实现了对水分、酸度等指标的有效检测,但由于大曲物质成分复杂,其中部分含量微小的物质对大曲质发酵质量有着极其重要的影响,但却被水分、酸度等含量占比较大的物质光谱信息掩盖,无法进行有效准确的检测。因此,本文提出将高光谱解混技术应用于大曲高光谱检测中。通过对比深度学习与盲源分离的方法,探寻合适大曲高光谱数据的解混算法,并将解混曲线应用在实际检测中,以实现曲块发酵更准确、稳定的检测。本研究的主要研究内容如下:（1）大曲物质成分探究、高光谱采集方案与实验数据采集。探究大曲物质组成成分,根据大曲发酵过程各指标特性,分析目前大曲高光谱检测的不足之处;了解光谱成像原理,重复采集测试,确定高光谱系统最优采集参数;研究分析大曲高光谱解混过程,设计实验数据采集方案以及进行数据采集。（2）研究大曲高光谱数据提取、预处理算法。对大曲高光谱数据的图像信息进行阈值分割,找到有效数据区域并在其中进行ROI划分,提取大曲高光谱信息;通过黑白校正,减少成像系统内部噪声;通过包络线去除算法,突出大曲光谱曲线特征波段;通过S-G滤波器,对光谱数据进行平滑,减少部分噪声。（3）探究大曲各物质光谱曲线的混合模型。一方面,通过石英砂、淀粉、水、曲粉等物质的不同混合模拟大曲物质的不同混合方式,探究物质混合方式对高光谱成像的影响,发现均匀混合和非均匀混合方式对大曲高光谱数据的影响相对较小。另一方面,通过水分与曲粉物质混合后的光谱曲线和曲粉与水分光谱曲线相加后的光谱数据比较,发现其波形极其相似,相似度可达0.95。最终,通过上述实验,本研究将大曲中各物质光谱混合模型简化为线性混合模型。（4）研究大曲高光谱数据解混算法。针对大曲物质特点,以水分为解混目标,将解混目标设置为2。研究基于负熵估计的Fast ICA解混算法,通过对比发现,在进行独立主成分分析前,通过PCA算法对显著特征进行筛选,可使得Fast ICA算法更加稳定。通过构建自定义层的深度欠完备自编码器,对比不同目标函数下的自编码解混模型,发现以L-C为目标函数的深度自编码模型解混效果最好,其曲粉解混曲线与真实曲线的PC为0.9967,PE为0.3427。对比两解混算法,深度自编码模型在解混解混效果与准确度方面都优于Fast ICA算法。（5）大曲高光谱解混算法评价与应用。以大曲发酵过程高光谱数据进行深度自编码解混所得的解混曲线,分别建立水分与酸度指标的BPNN、PLSR、SVR等预测模型,通过指标预测模型的预测效果与能力,评价大曲高光谱解混效果。一方面,对比解混出的水分光谱曲线与原始大曲光谱曲线对水分指标的预测建模,发现两类模型对水分指标的预测结果极其相近,部分模型评价指标完全一致,说明通过解混所得曲线确为大曲水分光谱曲线,且解混效果较好,最优预测模型为SPXY-SVR。另一方面,对比去除水分后的光谱数据与原始大曲光谱数据分别建立酸度指标的预测模型,发现解除水分后的光谱数据较原始数据建立的模型准确性与预测能力更强,最优预测模型为KS-BPNN。这说明通过解混算法处理后大曲中含量较少物质的光谱特征信息被放大,使得检测结果更为准确。通过解混数据实际指标建模预测,证明解混算法确能剔除大曲光谱中含量较大物质对含量较少物质光谱特征信息的掩盖,同时也验证了通过解混算法逐层剥离大曲高光谱数据中各物质光谱曲线的可行性。