藏茶能够为高原生活的居民补充各类维生素和微量元素,促进人体内高脂食物的分解和消化,除此之外还具有很高的实用价值。藏茶中含有水分、茶多酚、咖啡碱及碳水化合物等多种成分,藏茶中的含水量对其加工和储藏起着指导作用,而茶多酚含量直接影响其口感和价值。传统的藏茶含水量和茶多酚含量检测方法是通过一系列理化实验来进行测量,该方法能够精准测量出理化值,但存在耗时、耗力、耗材等诸多缺点,因此开发出一种快速无损且准确的方法势在必行。本研究利用高光谱成像技术和机器学习分别实现对藏茶含水量和茶多酚含量无损检测,为相关农产品无损检测领域提供参考。主要研究内容包括:（1）实验选用雅安藏茶作为研究对象,采集了藏茶样本在387～1035nm波长范围内的高光谱图像,通过ENVI软件截取感兴趣区域并通过Python编程软件提取出光谱信息和特征图像,并利用灰度共生矩阵（GLCM）提取样本的纹理信息。采集完高光谱图像后依据国家相关部门制订的标准进行理化实验,测量样品的含水量和茶多酚含量。（2）搭建了基于光谱、纹理以及光谱-纹理融合后的藏茶含水量检测模型。利用标准正态变量变换（SNVT）、多元散射校正（MSC）、一阶导数（FD）、二阶导数（SD）、Savitzky-Golay（SG）滤波及标准差标准化（ZSS）等多种预处理算法对原始藏茶光谱数据（RAW）和融合光谱-纹理后的特征进行预处理。利用GB、Ada Boost、RF、XGBoost、Light GBM以及Cat Boost算法来分别提取出藏茶光谱、纹理以及光谱-纹理融合特征后,按照重要性排名,将前30的特征作为RFR、Cat Boost R、Light GBMR、XGBoost R模型的输入,并根据建立模型的结果筛选出由GB算法提取的特征作为输入,搭建了以XGBoost R和Cat Boost R作为基学习器,Cat Boost R作为元学习器的Stacking模型,该模型的预测效果较为理想,其cR~2、Rp~2和RMSEC、RMSEP分别为0.9947、0.9817和0.1101、0.2326。（3）搭建了基于光谱、纹理以及光谱-纹理融合后的藏茶茶多酚检测模型。对比利用多种预处理算法对原始藏茶光谱和融合光谱-纹理后的特征数据进行预处理。利用GB、Ada Boost、RF、XGBoost、Light GBM以及Cat Boost算法来分别提取出藏茶光谱、纹理以及光谱-纹理融合后的重要特征。按照重要性排名,前30位的特征作为RFR、Cat Boost R、Light GBMR、XGBoost R模型的输入,并根据建立模型的结果筛选出由Light GBM算法提取的特征作为输入,搭建了以Cat Boost R和Cat Boost R作为两个基学习器,Cat Boost R作为元学习器的Stacking模型,该模型的性能要优于其他单个模型的性能,其cR~2为0.9877、Rp~2为0.9586、RMSEC和RMSEP分别为0.1806、0.3631。