实现小麦品质的快速测定,能更好地为推进小麦品质提升、促进优质生产、改善加工品质服务。利用近红外光谱分析技术实现小麦品质速测可以为小麦生产、加工、收购、贸易等环节的质量检测提供技术支撑,对于指导小麦优质育种具有重要的意义。建模中不同样本形态对模型的精确度影响不同,针对不同指标建模的最佳样本形态进行研究能够进一步提升小麦各指标建模的精确度,提升模型应用性能。为此,本研究以小麦籽粒、小麦全麦粉两种形态为研究对象,采用近红外光谱漫反射分析技术,通过四种样本集选取方法结合多种预处理方法、变量选择方法筛选获得小麦品质近红外光谱的最适样品形态,最适样本集划分、最适预处理和特征变量选取方法以构建近红外光谱小麦主要品质指标湿面筋含量、沉淀值、蛋白组分（清蛋白、球蛋白、醇溶蛋白、谷蛋白）的最优模型。最终小麦湿面筋含量、沉淀值、醇溶蛋白、谷蛋白的近红外分析模型成功建立,可进行实际定量分析;球蛋白近红外光谱模型也可实现小麦早期育种初筛的目的。主要研究结果如下:（1）小麦品质湿面筋含量、沉淀值、球蛋白三种指标的近红外光谱最适建模样本形态为籽粒,（模型结果R2为0.640到0.743）,高于利用全麦粉形态建立的模型,（模型结果R2为0.635到0.705）;而利用全麦粉建立醇溶蛋白、谷蛋白的近红外光谱模型较籽粒样本建立的模型性能更优,建模精度R2平均高0.071;本研究中清蛋白指标近红外光谱无明显特征,该品质指标不参与建模。（2）利用随机抽样法（RS）、隔四选一法、KS样品划分法（KS）、光谱-理化值共生距离法SPXY四种样本集划分算法构建小麦品质近红外光谱模型,除沉淀值外,湿面筋含量、球蛋白、醇溶蛋白、谷蛋白四种指标均以RS法划分的样本集近红外光谱建模效果最佳,其建模精度RPD值平均高其他算法0.099～0.808,而沉淀值以隔四选一法进行样本集划分所建立的近红外光谱模型效果最佳,其建模精度RPD值高其他算法0.174～0.216。（3）湿面筋含量近红外光谱模型的最适预处理方法是矢量归一化（VN）;沉淀值和球蛋白近红外光谱模型的最适预处理均为一阶导数（1st Der）;醇溶蛋白和谷蛋白近红外光谱模型的最适预处理方法分别是基线校正（BC）和标准正态变量变换（SNV）。（4）湿面筋含量和醇溶蛋白近红外光谱模型以竞争性自适应重加权算法（CARS）进行特征变量提取效果最佳,谷蛋白近红外光谱模型以连续投影算法（SPA）效果最佳。沉淀值和球蛋白近红外光谱模型保留全变量建模效果更佳。（5）结合各指标近红外光谱模型的最适样品形态,最适样本集划分、最适预处理和特征变量选取方法,通过PLSR构建了小麦湿面筋含量、沉淀值、球蛋白、醇溶蛋白、谷蛋白的近红外光谱最优模型,其Rc2值分别为0.805、0.849、0.765、0.781、0.828;Rp2值分别为 0.805、0.866、0.769、0.847、0.857;RPD 值分别为 2.530、2.774、2.115、2.570、2.676。其中,球蛋白近红外光谱模型RPD值小于2.5,建模性能存在一定不足;湿面筋含量、沉淀值、醇溶蛋白、谷蛋白近红外光谱模型RPD值大于2.5,建模效果较佳,可以用于实际定量分析。