我国的苹果产量居于世界前列,但在世界苹果出口格局中却远低于欧美发达国家的地位。究其原因,我国苹果产业的商品化程度低,商用处理模式落后。为了提升我国苹果产业在世界上的市场竞争力,满足市场需求,我国苹果产业的采后处理技术亟待提高。而采后处理的首要关注点在于产品的品质检测,特别是可溶性固形物含量(SSC)又是产品品质体系中的重点。近红外光谱检测技术是目前国际上最为主流的检测方案之一,其优势在于检测结果准确稳定、速度快、损耗低。因此,本文基于近红外光谱技术,研究苹果SSC的预测方法。本文将采集到的苹果近红外光谱作为数据样本。首先,需要对采集的样本进行数据处理:采用主成分分析—马氏距离法(PCA-MD)根据阈值剔除数据中的异常样本;采用Savitzky-Golay卷积平滑法对信号进行滤波,去除光谱中噪声;采用多元散射校正(MSC)对苹果样品光谱进行基线校正处理。然后,为了提高预测模型的准确率,需要对预处理后的光谱信息剔除无效波长信息。本文分别采用连续投影算法(SPA)和遗传算法(GA)实现波长特征的筛选,提高模型预测精度和稳定性,提取结果评价是基于相关系数和均方根误差两项指标进行衡量。经分析发现GA筛选结果比SPA筛选结果更有优势的结论。筛选波长后,本文分别采用极限学习机(ELM)以及偏最小二乘回归(PLS)两种算法对苹果可溶性固形物含量进行检测。ELM算法创建网络后,采用训练集样本验证网络分类结果,之后对测试集样本进行预测,经过测试两种建模方法都能符合预期的检测。最后,为实现精准定位,克服传统的苹果分类模型对原始数值精确性的要求,需要解决训练样本类标的精确度问题。本文在分类问题中引入了不确定性,即基于DS证据理论苹果分类等级融合算法,把ELM可溶性固形物含量预测模型与PLS可溶性固形物含量预测模型进行DS证据理论的融合,运用DS融合后的分类准确率达到94.697%,研究发现,使用DS融合后的分类准确度较使用单一方法分类得到了较大提高,解决了硬分割导致的分类正确率下降问题。