水果由于其口感较佳及富含丰富的维生素及其各种膳食纤维，而深受广大消费者的喜爱。从世界范围内来看，我国是传统的果树种植大国，同时水果的生产量和出口量也位列世界前茅。随着食品质量和安全标准的不断提高，人们不仅仅关注水果的外部品质，更加注重水果的内部质量的评价，水果无损检测分级技术的发展满足了消费者对不同品质水果的需求。近年来，由于近红外光谱具有特征性较强，采集方便，不破坏样品，操作简单等特点，使得基于近红外光谱图像的无损分析技术在水果品质检测中逐渐占据主导地位，同时在水果在线检测方面有很大的应用前景。在利用近红外光谱图像处理技术进行水果内部品质检测时，有效光谱波段的选择、光谱信号的前期处理、相关特征的降维提取以及质量评价预测模型的建立都会影响到最终的检测精度。本文针对水果内部质量评价目前存在的影响因素，做了以下几方面的探究：　　近红外光谱波段的选择：水果近红外光谱包含大量的多波长信息，而表征水果质量的波长范围选择对于设计水果品种预测模型至关重要。本文工作采用USB2000+ VIS-NIR-ES微光谱仪（美国海洋光学）收集漫反射模式下的NIR光谱，选取其提供的340nm和1022nm之间的光谱信息做进一步的水果内部品质评价。　　光谱信号的预处理过程：近红外光谱数据是一种高维数据，在信号的采集过程中会产生各种随机噪声，文中在对NSCT变换多尺度、多方向和平移不变特性探究的基础上，提出了在NSCT变换域采用中值滤波和Savitzky–Golay滤波算法处理数据噪声的模型，可以在频域有效的减少噪声干扰所带来的预测结果偏差。　　光谱信号的降维过程：将高维数据用其在投影空间的低维向量表示，可以有效的降低数据处理的复杂度，有利于寻找表征水果品质数据的最优的特征。早在第二次世界大战之前，主成分分析方法（PCA）就作为一种多元统计方法产生了。然而，直到20世纪60年代才被广泛应用，究其原因是这种算法计算量复杂。随着计算机技术在极限应用和多元统计方法方面的发展，使得主成分分析的实现成为可能。目前，其已广泛应用于社会科研的各个领域，本文中采用PCA理论对水果近红外光谱数据进行数据降维处理，可以有效地提取重要的表征信息。　　训练样本和测试样本集的选择算法：针对传统样本选择方法依赖大量实验假设的现状，本文引入Kennard-Stone算法进行训练样本和测试样本集的自动随机选择。该算法有效利用样品光谱数据空间的相对欧氏距离来确定一个最大程度表征原始数据空间的预定校正样品数的子光谱空间，能使校正集样品分布更均匀，样品集划分更合理，能有效的提高预测模型的精度。　　本文中预测模型的建立：首先分别设计并实现了基于 PCA+BP神经网络、PCA+GRNN网络、PCA+BP_Adaboost强分类器、PCA+极限学习机以及PCA+LS_SVM分类器的水果内部质量预测模型；接着在NSCT域，分别中值滤波和Savitzky–Golay滤波器对光谱信号进行预处理，采用Kennard-Stone算法进行训练样本和测试样本集的自动随机选择，然后选用设计的PCA+BP神经网络、PCA+GRNN网络、PCA+BP_Adaboost强分类器、PCA+极限学习机以及PCA+LS_SVM分类器实现水果内部质量预测模型。实验结果表明本文提出的模型能有效的进行水果内部质量的评价预测。为了实现多分类器的优势互补，本文在前期基于5种分类器预测结果分析的基础上，提出了基于非参数估计的最优预测模型，该模型采用非参数估计的可信度和方差来综合评价每个预测模型，同时以估计值和置信区间为参考，实现结果证明该模型能更好实现水果内部质量的最优评价预测。　　最后，本文针对非参数估计所得的两种最优模型，提出了一种基于最优模型的猫群优化算法。实验结果表明，这种优化算法能有效提高算法预测的准确率。