随着生活质量的提高,人们对水果的品质要求也越来越高。成熟度和可溶性固形物含量（Soluble solids content,SSC）是水果品质评价的重要标准。冬枣营养物质丰富,味道香甜,口感上佳,倍受我国消费者青睐。以河北沧州市红枣树教育基地的冬枣为研究对象,利用图像和高光谱技术结合相关机器学习算法,探究基于成熟度和可溶性固形物含量这两个重要指标的冬枣品质无损检测方法,为冬枣品质的快速、无损检测提供理论依据和技术支持。本文的研究工作如下:（1）图像、高光谱数据采集与预处理。图像方面,利用数码相机对冬枣样本的正、反两面分别进行拍摄,全面获取冬枣外部特征信息,并将正、反面拼接融合以充分代表冬枣样本的图像特征。光谱数据方面,利用光谱仪对冬枣进行高光谱数据采集,采用一阶导、二阶导、多元散射校正、矢量归一化等方法进行数据预处理,并提出多元散射校正-一阶导-SG平滑的预处理组合的方式,实验结果显示,采用多元散射校正-一阶导-SG平滑组合的方式可以达到更好的预处理效果。（2）冬枣成熟度分级模型。根据冬枣未熟、白熟、半红、完红四个成熟度等级,基于卷积神经网络对冬枣图像进行分类,构建冬枣成熟度的分级模型。为更加全面提取冬枣图像的特征信息,基于多层特征融合改进ResNet 18网络,实现冬枣成熟度分级。经与其他卷积神经网络构建的分类模型进行实验对比分析,结果表明,基于多层特征融合改进ResNet 18构建的冬枣成熟度分级模型的分类准确率达到91.1%,高于VGG 16和ResNet 18模型的85.3%和88.5%分类准确率。（3）冬枣SSC预测模型。对冬枣光谱数据进行连续投影法（Successive projections algorithm,SPA）、稳定性竞争性自适应重加权法（Stable competitive adaptive reweighting sampling,SCARS）、无信息变量消除法（Uninformed variable elimination,UVE）和迭代保留有效变量法（Iteratively retains informative variables IRIV）4 种特征提取方法选取特征波长,选用偏最小二乘回归（Partial least squares regression,PLSR）、随机森林回归（Random forest regression,RFR）和岭回归（Ridge regression,RR）分别构建全波段与特征波长的预测模型。结果表明,经过特征波长所建立的预测模型效果整体上优于全波段所建模型的预测效果,其中SCARS-PLSR预测效果最佳,Rp=0.939,RMSEP=0.587,表明SCARS所提取的特征波长建立的偏最小二乘回归模型对冬枣SSC的预测效果更优。