机采茶原料中存在老嫩不均的单片鲜叶,这些鲜叶往往不经分级就直接加工成大宗茶,使得嫩度高的鲜叶错失了加工成优质瓜片茶的机会,造成机采茶经济效益未得到充分发挥。针对上述存在的问题,本文采用近红外光谱和机器学习技术对不同嫩度等级的单片鲜叶进行分级,其中包括对茶鲜叶样本的等级标定、光谱数据采集、预处理及特征提取并建立茶鲜叶分级模型等工作,同时设计静态、动态与适用性研究试验对研究的分级方法进行验证。本文的主要研究内容如下:（1）茶鲜叶物料制备与光谱数据采集。采集同一批次的茶鲜叶样本,并根据鲜叶的叶位特性制定A级、B级与C级三种等级试验物料。针对采集光谱数据所需的近红外光谱分析原理与光谱仪进行介绍后,采集鲜叶正面的光谱数据并加以分析。（2）茶鲜叶光谱数据预处理与特征提取。对茶鲜叶原始光谱分别选取不同窗口大小的移动平均平滑（MAS）法、SG-卷积平滑法展开平滑处理,选取标准正态变换（SNV）法、多元散射校正（MSC）法相组合进行偏差校正,选取SNV法结合去趋势处理法（SNV+DT）进行基线校正;通过上述方法进行组合预处理后选出窗口大小11的MAS+SNV、MAS+MSC与MAS+SNV+MSC三种方法作为光谱数据的预处理方法。并从主成分分析法（PCA）、连续投影法（SPA）两种方法中选择保留前5个主成分的PCA法对光谱数据进行特征提取。（3）茶鲜叶分级建模方法研究。建立支持向量机（SVM）、极限学习机（ELM）和K-最近邻（KNN）模型对三种等级茶鲜叶进行分级,并研究随机法、K-S法与SPXY法对三种模型分级能力的影响。经过试验得出结论:基于三种算法所建最佳分级模型分别为MAS+SNV+RBF-SVM、MAS+SNV+ELM（隐含层神经元个数:50）与MAS+SNV+F-KNN（k=3）,最佳样本划分算法为SPXY法。（4）茶鲜叶分级方法的试验与验证。设计静态分级试验对比SVM、ELM与KNN模型在不同数量鲜叶样本中的分级表现,结果显示SVM模型分级效果最佳,准确率、真正率、召回率与调和平均数平均值为96.908%。设计动态分级试验台进行动态分级试验,两次试验的平均准确率为85.417%。设计茶鲜叶分级方法适用性研究试验,结果表明不同季节、不同品种鲜叶模型的测试集平均准确率分别为92.777%、95.833%,说明分级方法对不同季节与品种的鲜叶均具有较好的分级效果,具有一定适用性。为机采茶中的单片鲜叶使用近红外光谱技术进行分级提供了技术支持和发展思路参考。