马铃薯主粮化战略实施加快了其产业发展,马铃薯品质直接影响深加工产业的经济效益,已成为日益关注的话题。黑心病和环腐病是常见的马铃薯内部缺陷,一旦出现会严重影响马铃薯的品质,甚至会影响消费者的健康。为提高马铃薯品质,准确识别马铃薯内部缺陷,本文设计了一种基于近红外光谱技术（波段范围900nm～1700 nm）的马铃薯病害检测及分选装置,可同时实现两种内部缺陷检测和分选剔除。本文主要内容和结论如下:（1）基于近红外光谱技术和电气联动的马铃薯缺陷检测分选装置的设计。装置由微型近红外光谱仪、输送系统、剔除系统和PLC控制系统组成。微型近红外光谱仪可实现马铃薯内部缺陷无损检测;输送系统利用电动滚筒和皮带实现马铃薯输送;剔除系统利用气动元器件实现缺陷马铃薯剔除;PLC控制系统控制装置运行以完成缺陷马铃薯检测及分选。（2）基于近红外光谱技术的马铃薯黑心病、环腐病判别模型的建立。以健康马铃薯、黑心薯、环腐薯为研究对象,分别通过一阶导数、平滑处理、多元散射校正（Multiple Scattering Correction,MSC）和标准正态变换（Standard Normal Variate Transformation,SNV）4种预处理方法对马铃薯原始光谱进行预处理,建立主成分分析（Principal Component Analysis,PCA）、簇类独立软模式法（Soft Independent Modeling of Class Analogy,SIMCA）、支持向量机法（Support Vector Machine,SVM）马铃薯判别模型。通过比较,确定MSC-SIMCA马铃薯判别模型对黑心薯和环腐薯的判别效果最佳,识别率分别到达94.89%和91.01%（3）基于特征波长的马铃薯优化判别模型的建立。采用竞争性自适应重加权算法（Competitive Adaptive Reweighting Sampling Algorithm,CARS）、连续投影算法（Successive Projections Algorithm,SPA）和无信息变量消除法（Uninformative Variable Elimination,UVE）三种方法提取特征波长,并分别利用三种方法提取15个、9个、13个特征波长建立优化MSC-SIMCA判别模型。结果表明,UVE-MSCSIMCA对黑心薯和环腐薯识别效果最佳,识别率分别达到97.08%、96.63%。通过优化,模型的准确率提高,检测速度加快。（4）基于中心响应面法的分选装置最适工作参数的确定。为减少马铃薯在分选过程中的跌落损伤,探讨分选装置工作条件对马铃薯跌落损伤的影响以及马铃薯最佳分选状态,以分选装置的输送速度、剔除力、马铃薯的下落高度和含水率为试验因素,通过单因素试验以及中心响应面试验分析上述因素对马铃薯的跌落损伤的影响。结果表明,当装置的输送速度为0.3 m/s,分选装置对马铃薯的剔除力为15 N时,对马铃薯的检测及分选是可行的。且当马铃薯的下落高度为45 cm以及将马铃薯放置5天后（即马铃薯的含水率为75.61%）时,分选装置对马铃薯的损伤最小。利用未参与建模的23个健康薯、20个黑心薯、17个环腐薯测试该装置的模型的准确性和稳定性,结果表明,在装置输送速度为0.3 m/s、剔除力为15 N时,装置可实现黑心薯和环腐薯的同时检测,其中黑心薯的识别率为95.02%,环腐薯识别率为94.11%,且经过分选后的马铃薯损伤小于1级。