小麦是我国最重要的长期储备粮品种之一,随着农业生产技术水平的不断提升,我国小麦总产量实现连年增长,然而在高库存压力下,小麦发生陈化变质的可能性也大大增加。因此,探究准确高效的小麦品质评价技术,及时掌握小麦品质状况,对保障小麦储藏安全起着重要作用。小麦品质具有复杂性、易变性的特点,致使常规评价方法存在准确率不高、适用性差等缺陷。为此,本文从小麦生理生化指标的研究角度出发,并与机器学习这一高效的数据挖掘分析方法相结合,探寻精准有效的小麦品质评价模型,为小麦的品质检测工作和储藏环境调控提供科学决策支持,有助于保障小麦的品质安全。针对小麦品质评价中存在的问题,本文主要的研究工作如下:（1）提出一种小麦品质指标预测方法小麦生理生化指标是准确评价小麦品质的基础和前提,针对一些与小麦品质具有显著关联性的理化指标测取困难、费事费力等问题,本文通过分析各指标之间的关联性,用多个易测指标联合反映出对小麦品质有显著影响的某一指标值,进而可以利用该指标评价小麦当前品质。本文选用支持向量回归机作为预测模型,同时构建了新型混合核函数,并采用改进的灰狼算法优化模型相关参数,以进一步提高模型预测性能。实验结果显示,相比于采用传统核函数和其它优化算法的支持向量回归机模型,本文构建的改进模型具有更好的性能,利用不同的理化指标和小麦品种对模型进行检验,验证了模型的有效性和适用性。（2）提出一种基于多指标的小麦品质分级方法针对单指标评价小麦品质时存在的信息量不充分、品质分级时对模糊区间区分度不高等问题,本文提出了一种融合主成分分析和熵权法的小麦品质灰色综合评价模型,利用主成分分析法确定评价指标集和熵权法衡量各指标的重要性程度,并基于灰色关联和灰色聚类方法建立了小麦品质灰色评价向量矩阵,最后确定了各批次小麦的评价等级,并对小麦优劣程度进行排序。利用本文方法对多个批次小麦的品质进行评价和分级,确定了各批次小麦的品质等级,利用其它模型进行检验和对比分析,相关性系数大于0.9,表明各方法结果间具有较高的一致性。（3）提出一种基于集成学习的小麦品质综合评价模型针对常规评价方法计算分析过程繁琐,评价对象较多时效率低下的问题,本文采用集成学习中具有高效率和高精度的深度森林算法作为评价模型,以实现小麦品质的快速评价。同时,针对传统深度森林中存在的信息冗余和偏差难以平衡问题,构建了新型混合特征选取算法用于获取小麦最优品质特征子集,并调整了深度森林的基学习器以获得更优的性能。利用小麦理化指标数据集对模型的有效性进行验证,结果显示本文模型的各评价指标优于其它模型,其中准确率达到了93.75%,能够为小麦品质的评价工作提供有效参考。