肉制品是人体营养以及微量元素的主要来源,其品质直接影响着人民的生活质量、营养水平及饮食安全。随着经济的增长以及人民生活水平的提高,对肉制品的质量有了更高的要求。近年来,集成机器视觉和近红外光谱分析技术优点于一体的高光谱图像技术被引入到肉类新鲜度的无损检测。但是如何高效、高精度地建立肉类新鲜度高光谱检测模型仍是一个亟待解决的问题。本课题针对肉类新鲜度高光谱图像检测的建模问题展开研究,将机器学习领域的相关研究成果(支持向量机、主动学习、多模型协同递推等)引入到肉类新鲜度高光谱图像无损检测,实现肉类新鲜度的高精度、快速无损检测。论文的主要研究工作如下:1.研究了基于图像特征与光谱特征融合的肉类新鲜度高光谱检测模型。该方法提取了含有图像形态学信息的图像熵特征以及包含光谱信息的光谱均值特征,并利用高光谱图像的图谱合一的优点,弥补了单一特征在表征样本特性时的不足。针对多特征变量带来的信息冗余问题,利用连续投影算法(Successive Projections Algorithm,SPA)结合主成份分析法(Principal Component Analysis,PCA)获取主要的特征成分,并降低信息的冗余度。研究结果表明较图像熵特征以及光谱均值特征特征的单一特征,图像熵特征与光谱均值特征的融合特征能得到预测性能更好、鲁棒性更强的模型;较SPA及PCA单一的数据降维方式,采用SPA结合PCA的降维方法能明显提高模型预测精准度与稳定性。2.建模样本的选择是影响肉类新鲜度高光谱图像检测精度的一个重要因素。论文研究了基于主动学习采样策略的训练样本选取方法。该方法将预测函数加权风险作为随机变量,选取使预测函数风险期望误差最小的样本交由人工标记。研究结果表明,利用主动学习策略选择建模样本,可以在在较少的建模样本条件下得到较高的模型检测精度,节约了建模样本的时间和成本花费。3.模型对预测结果有决定性的影响。当前传统的建模方法依然是单一的模型,而单一的模型依然存在局限性,当单一的模型在参数寻优时陷入可能的局部最优时,会一定程度上限制了模型的性能;此外,若样本集包含有异常的样本或者不同种类的样本时,构建单一的模型显然无法满足稳定性以及精度上的要求。因此,本文提出了多模型协同递推方法。首先通过训练不同的最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型,经T检验判定获取性能优异的模型,然后对待测样本通过多个模型预测结果加权融合的方式得到结果,接着将该样本放到训练样本中重新训练出新模型,用新模型对下一个待测样本进行预测,依次类推,直到预测完所有的待测样本。研究结果表明,较传统的建模方法,该方法能有效提高模型的准确度与稳定性,尤其在当训练样本数量较少的情况下优势更加明显。