玉米是世界三大粮食作物之一,其适应能力强、种植面积广、产量大、用途广泛,对我国民经济发展和社会稳定,具有极其重要的战略意义。当前,玉米种子商业化程度高,品种繁多、极易混淆,给农民放心选购和市场监管带来了极大的不便。研究能够满足市场监管初判的,快速的、无损的品种真实性检测技术,有利于保障玉米种植和规范种子市场。本研究以快速、无损玉米种子品种真实性检测技术为研究对象,利用高光谱图像和模式识别技术,针对高光谱图像应用于玉米品种真实性检测的预处理问题、特征选择问题、识别与检测问题等进行了探讨,提出了适合于实际应用的去噪、分割、特征选择及识别检测的方法与思路。主要研究内容和结论如下:(1)提出了基于Contourlet变换和阈值函数的高光谱图像去噪模型方法及基于直方图斜率差的自适应阈值的通用图像分割方法。针对实际应用中玉米种子高光谱图像存在噪声的问题,本文在分析Contourlet变换原理的基础上,结合实际应用构造了基于阈值函数的去噪模型,同时通过引入边缘保持系数的实验分析表明,本模型方法对含有不同强度(方差)噪声的玉米种子高光谱图像具有更好的去噪效果且优于均值和维纳滤波方法。针对实际应用中玉米种子高光谱图像因噪声而不易分割的情况,尤其是自动、鲁棒的图像分割技术瓶颈问题,本文利用实验发现的直方图斜率差的分布特性,提出了一种从标记像素空间密度分布到灰度分布的转换方法以实现基于灰度变换的图像分割方法(DGTS),经针对合成图像和实际玉米种子高光谱图像的实验分析,本方法相比于EM和K-means等常用方法,具有更准确、有效区分不同灰度均值并分割图像的特性,而且在分割处理含有噪声的玉米种子高光谱图像时,具有更好的自适应性和鲁棒性,更适合检测应用的实际。(2)提出了基于最大载荷系数的玉米品种特征波段选择方法及品种形态特征、纹理特征选择提取方法,并提出了融合多类特征参数实现品种检测的思路,以解决玉米高光谱图像降维及"同质同谱"问题。通过对PCA变换方法的分析,提出了以PCA变换后各主成分中最大载荷系数对应波段为条件的特征波段选择方法,并根据该方法选择了蓝绿光、红光和近红外三个波段范围内5个波段作为玉米种子品种的特征波段并分析了其光谱特性。通过对玉米种子形态特征指标的综合考量,选择了基础几何和不变矩两类共计5个玉米品种的形态特征参数,深入探讨了这5个形态特征参数的提取方法并分析了其特性,其中还详细说明了利用8链通码计算粒籽周长的算法。通过对玉米种子纹理特征的综合分析,选择了表征玉米品种的4个灰度共生矩阵特征值作为纹理特征,阐述了其提取方法并实验分析了纹理特征参数的特性。以上研究,为优化和深入探讨基于多类特征的玉米种子高光谱品种检测奠定了基础。(3)针对玉米种子高光谱图像基于多类特征的品种检测及其优化问题,本文实验证明了玉米种子的形态特征、纹理特征在不同波段范围的分类识别能力,并提出了融合多类特征玉米种子高光谱图像品种检测方法。利用PLSDA方法,对10类玉米品种在多波段、全波段和特征波段下,基于形态、纹理以及融合多类别特征参数的玉米种子高光谱图像分类识别性能进行了实验和分析,实验表明,在单波段下基于形态特征参数的分类识别性能,无论训练平均最高精度64.38%,还是测试平均最高精度49.64,整体平均识别率都较低;而在多波段和全波段下,全波段的平均训练和测试精度(97.77%和90.80%)明显优于多波段的平均训练和测试精度(83.89%和73.78);在全波段下,不同纹理特征参数对玉米种子品种的鉴别能力不同,而能量、均值、熵3个纹理特征的组合,实现了训练和测试最高98.87%和98.21%的分类精度;在特征波段下,能量、均值、熵3个纹理特征组合的训练和测试精度仅能达到91.05%和84.76%,但融合形态特征参数后,训练和测试精度可达到99.37%和98.14%的较理想状态,说明波段数量的减少会降低模型分类识别的精度,但融合形态特征和纹理特征可以在一定程度上弥补波段减少而造成的信息丢失,也证明了本文提出的融合多类特征实现玉米种子品种检测的正确性和有效性。(4)探讨了利用高光谱图像实现玉米种子品种检测原型系统的软硬件总体设计。从玉米种子市场管理的需求出发,采用面向对象方法对原型系统的软硬件模块进行了规划和设计,对高光谱图像的采集设备进行了选型并初步设计了集成箱体和控制系统模块;规划和设计了检测原型系统的软件模块,分析了检测原型系统的用例及用例之间时序关系并使用建模工具进行了部分建模。最后,从原型系统构建和市场应用的管理视角,对玉米种子高光谱图像标准特征库的建立规范进行了建议。