随着社会经济的发展,人们的生活条件得到了极大的改善,对消费类的果蔬品质也提出更高的要求。目前,果蔬品质检测的主要手段是基于主观经验的感官评价和有破坏性的理化检测方法。前者检测结果不能量化水果品质信息,后者则不能大通量、自动化地检测,还会造成了一定的果蔬损失,不能二次销售。课题以浙江临近采收期的涌泉蜜桔为研究对象,连续采摘不同批次蜜桔,先后采集蜜桔近红外光谱和可溶性固形物含量（Soluble solid content,SSC）数据,SSC是评价蜜桔品质的一项重要指标。以光谱数据结合化学计量学来建模分析蜜桔品质。但由于不同采摘期蜜桔的品质存在一定差异,体现在不同批次蜜桔的光谱上,从而导致不同批次的蜜桔模型预测偏差大;那么对不同批次蜜桔品质预测,需要进行不同预测模型之间的转移,进而缩小模型误差。另外,基于光谱分析技术的采后蜜桔货架期等级预测,有利于本文对不同批次蜜桔品质进行检测以及不同储藏期新鲜度分类进行研究,主要研究内容与结论如下:（1）连续采集七个批次涌泉蜜桔,采摘间隔一周,通过两种便携式近红外光谱分析仪（北京亿事达优质选公司的H100F和山东海能仪器公司的N100）对七个批次蜜桔采集近红外光谱信息,并测量对应的SSC。然后利用主成分分析（Principal component analysis,PCA）和马氏距离算法（Mahalanobis distance,MD）对每批次样本光谱进行检查,剔除光谱异常样本和指标异常样本。最后采用不同数量的邻近批次（邻近预测集的三个批次、两个批次和一个批次）作为训练集建立偏最小二乘（Partial Least Square,PLS）校正模型,来预测下一批次的样本,结果表明最邻近预测集的一个批次蜜桔作为训练集其预测效果更好一些。（2）采用来自不同采摘期的蜜桔,对应的蜜桔内部品质（主要是SSC）有一定的差异,反映在其光谱信息上,以至于不同批次蜜桔光谱的预测存在一个系统误差。本文以最邻近预测集的一个批次蜜桔为训练集,对比多种光谱预处理方法,采用域自适应偏最小二乘回归（Domain adaptive partial least square,DA-PLS）算法来校正不同批次之间的光谱矩阵。对比发现,认为不进行任何预处理的光谱建模效果最好;相比于PLS模型,DA-PLS模型的预测均方根误差（Root mean squared error of prediction,RMSEP）至少比PLS的降低了3.20%,DA-PLS预测相关系数（Correlation coefficient of prediction,Rp）比PLS提高3.20%,得出经过光谱矩阵的校正,DA-PLS模型的预测性能均比好于PLS,具有更低的预测误差。（3）根据蜜桔的货架期品质的腐败趋势,试验设计蜜桔的储藏时间最多为19天。将货架期蜜桔表皮以及内部成分的变化特性,把它们分成三个新鲜度等级,然后采用了类比独立建模算法（Soft independent modeling class analog,SIMCA）和偏最小二乘判别分析算法（Partial least square regression-discrimination analysis,PLS-DA）对不同储藏期新鲜度进行分类,结果表明PLS-DA的预测模型判别分析效果更好,预测精度更高。其中PLS-DA中校正模型的判别准确率达到99.39%,而SIMCA模型对应的训练集所建的校正模型最大判别准确率仅有83.75%,预测集的最大的判断准确率为77.50%。