大米是最主要的粮食作物之一，快速无损的测定大米各组分的含量，在粮食的收购及生产加工中具有十分重要的意义。近红外光谱分析技术具有高效、快速、低成本、无损伤和绿色环保等优点，可以用于现场快速检测和实时在线分析。但是，国外现有近红外光谱分析软件不适用于我国样品，而国内在近红外光谱分析技术方面的研究并不完善。因此本文针对大米光谱数据的数学模型，综合多门学科的知识，对光谱的预处理及数学建模方法等关键技术进行了深入的分析和研究。 本文系统地分析了几种传统的光谱数据预处理方法，指出了这些方法各自的特点及适用范围。并根据小波变换在噪声滤除及数据压缩方面的优势，选取小波变换对光谱数据进行滤噪和初步压缩。针对小波变换无法利用光谱数据与组份含量之间关系来压缩数据的缺点，提出了基于粗糙集的进一步数据约简方法。并对粗糙集的多种约简方法进行了分析和研究，根据本文的实际情况，采用基于化简后的区分矩阵的算法进行编程计算求出约简结果。 文中针对传统光谱分析技术的线性模型本质，采用了非线性的光谱建模方法。首先，利用BP神经网络的非线性函数逼近能力，选用BP网络对光谱数据进行建模，并对BP网络的结构及参数选取进行了分析。针对神经网络模型可解释能力差的缺点，又提出了基于遗传算法的模糊建模技术，利用基于协同进化的遗传算法对T-S模型的各部分参数进行优化，得到最优的模糊模型。最后利用实验数据对两种方法的性能作了比较，证明遗传—模糊建模的效果要略优于BP神经网络模型。 本研究为近红外光谱分析及大米成分定量化提供了切实可行的方法，为近红外光谱分析技术的发展和实际应用提供了新的方向和途径。