我国是世界产梨大国,梨果种植面积和产量长期稳居世界首位,而其产业附加值和出口率远低于欧美发达国家,这反映出我国在梨果品质检测领域缺少竞争力。可溶性固形物（Soluble Solids Content,SSC）和酸度（p H）是评价梨果内部品质的重要指标。传统的SSC含量和p H值测量方法虽准确率高,但具有破坏性、低效的缺点。因此,研究一种高效、快速无损的梨果品质检测方法,有助于推动我国梨果产业的进步和发展。高光谱成像（HSI）和可见/近红外（Vis/NIR）光谱技术已经被广泛应用到水果内部和外部的品质检测。但多数研究是对光谱技术在水果品质检测领域的可行性分析,对检测模型的性能表现缺少深入讨论。而检测模型的性能受多种因素的影响,如何建立更加有效可靠的检测模型值得进一步研究。不同光谱传感器和光谱范围对梨果品质的检测具有较大影响。而对梨果采摘的不同时间与地点的研究是保证检测模型高鲁棒性的重要手段。基于上述问题,本文以砀山梨为研究对象,基于Vis/NIR光谱技术,结合光谱分析、化学计量学分析等开展了梨果可溶性固形物和酸度的高效、稳定、无损检测研究。本文主要研究内容及取得的进展如下:（1）为研究不同光谱传感器和光谱范围对梨果品质检测的影响,本研究使用波长范围为400～1000 nm的成像高光谱仪和波长范围为350～2500 nm的非成像光谱仪,分别采集砀山梨样本的光谱数据。接着,对原始光谱进行预处理,结合竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling,CARS）、连续投影算法（Successive Projections Algorithm,SPA）和随机森林（Random Forest,RF）算法对特征波长进行筛选,并使用偏最小二乘算法（Partial Least Squares,PLS）和随机森林回归算法（Random Forests Regression,RF）建立了基于全波段（400～2450 nm）和特征波长的梨果SSC和p H检测模型,经实验结果得出最优模型CARS-PLS。然后,基于CARS-PLS检测模型,根据常研究的划分范围（400～1000 nm,Vis-NIR;1000～2450 nm,NIR）和光谱仪内置的不同型号传感器的波长范围（400～1000 nm,970～1900 nm,1900～2450nm）分别讨论。结果表明,基于1000～2450 nm建立的SSC和p H检测模型结果分别为Rp~2=0.9405,RMSEP=0.1788和Rp~2=0.9435,RMSEP=0.0243,其性能优于基于400～1000 nm区间建立的检测模型。在根据不同传感器的光谱区间建立的检测模型分析中,基于970～1900 nm区间建立的SSC和p H检测模型结果分别达到了Rp~2=0.9412,RMSEP=0.1786和Rp~2=0.9271,RMSEP=0.0271,结果优于基于其他波段区间建立的检测模型。此外,针对两种仪器相同光谱区间的检测模型进行对比分析,非成像光谱仪数据处理过程更加高效且结果较优,这一研究发现为研发实时在线检测设备提供了重要的理论基础。（2）为研究梨果品质检测模型的鲁棒性,选用两年多个典型产区的砀山梨为研究对象,利用非成像便携式光谱仪采集梨果光谱信息,结合CARS、SPA和UVE特征波长算法,探讨了产区差异对梨果可溶性固形物和酸度近红外光谱检测模型的影响。以2020年三个不同产区的砀山梨为研究对象,基于选择的特征波长建立了单一产区和混合产区的梨果SSC和p H值的光谱检测模型。结果表明,单一产区下的检测模型预测其它不同产区梨果的SSC和p H值时会产生明显误差,与单一产区或两两混合的产区模型相比,混合三个产区校正集样本所建立的模型性能最优。最后,为了进一步验证上述模型的稳定性和有效性,用2019年三个不同产区的梨果样本作为预测集进行验证。结果表明,三个不同产区SSC和p H值的预测Rp~2分别在0.9以上和0.85以上,表明了混合产区模型有较强的稳定性。上述结果有助于减小梨果产区差异对SSC和p H检测模型的影响,为快速检测设备的开发提供了重要的理论基础。综上所述,Vis/NIR光谱技术可有效实现梨果SSC和p H的无损检测,本文基于特征波长建立的混合产区模型,可减小产区差异对梨果SSC和p H检测模型的影响,提高模型预测精度,这些研究有利于推动梨果品质在线检测的快速实现,具有广阔的市场应用前景。