在茶叶的生产与销售中,其内部品质的鉴定结果便是判别好坏的标准,且对于茶叶色香味等方面来讲,大多内含物起着决定性的作用。传统的感官评定以及理化测定有主观性、繁琐、破坏性的缺点。因此,寻求一种高效、无损的茶叶内部品质鉴定方法有重大意义。本文选择对茶多酚、咖啡碱、游离氨基酸进行检测从而达到预测含量的目的。样品选用三个等级的雅安藏茶,应用高光谱成像技术进行光谱信息采集,接着依据国家标准完成对应含量的测定,然后完成数据的预处理、特征光谱的提取并基于光谱-理化数据建立对应各自成分的含量预测模型。在藏茶茶多酚含量定量检测模型中是首先进行异常值和首尾干扰波段的剔除,接着是通过包括SG（Savitzky-Golay）卷积平滑法在内及其联合五种预处理方法进行对比后选出SG卷积平滑结合2阶去趋势（Detrend-2st）为最佳预处理方法。采用无信息量消除法（Uninformative Variable Elimination,UVE）结合竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling,CARS）提取出 13 个特征波段。最后对比三类不同主流建模算法的建模性能后选出藏茶茶多酚含量最佳预测模型是基于反向神经网络（Back Propagation Neural Network,BPNN）的 UVE-CARS-BPNN 预测模型,其训练集均方根误差RMSEC=0.0892,训练集决定系数Rc2=0.9191,测试集均方根误差RMSEP=0.1176,测试集决定系数Rp2=0.8721。在藏茶咖啡碱含量定量检测模型中采用的是同样的方法处理异常样本和首尾光谱,预处理是通过标准正态变化（Standard Normal Variate,SNV）本身以及结合2阶去趋势和4阶去趋势三种方法的对比,选出标准正态变化结合2阶去趋势（SNV-DT2）作为藏茶咖啡碱最优预处理方法。接着利用无信息量消除法（UVE）结合连续投影算法（Successive Projections Algorithm,SPA）选出13个特征光谱来消除了数据冗余性从而达到了有效降维的目的。模型检测器选择反向传播神经网络（BPNN）,且通过调试发现当此算法重要参数学习率为0.01时性能达到最佳,其RMSEC=0.1477,Rc2=0.8912,RMSEP=0.2023,Rp2=0.8375,因此 UVE-SPA-BPNN 为最佳咖啡碱预测模型。在藏茶游离氨基酸含量定量检测模型中,在剔除异常值和光谱首尾干扰较大波段后,进行标准化、SG卷积平滑、标准正态变化（SNV）、多元散射校正（Multiplicative Scatter Correction,MSC）分别结合4阶去趋势进行偏最小二乘回归（Partial Least Squares,PLS）结果对比后选出最佳预处理方法为多元散射校正联合4阶去趋势（MSC-DT4）。使用连续投影算法（SPA）直接选出7个特征光谱波段。最后选用极限学习机（Extreme Learning Machine,ELM）作为氨基酸的建模算法,得到最佳预测模型为 SPA-ELM,其RMSEC=0.1507,Rc2=0.8619,RMSEP=0.2316,Rp2=0.8246。