高光谱成像技术集光谱技术和成像技术于一体,因其具有快速无损的优点,从而近年来逐渐被用于食品品质的安全检测。利用数据处理技术建立高光谱数据与肉类品质的映射模型,可以实现对待测样品的品质检测。然而,逐渐增加的光谱通道数加重了其数据分析的计算负担,为了保障检测效率而不增加设备成本,研究精度高且计算量小的算法成为高光谱领域主要的研究方向。因此,本文围绕着定性、定量、可视化检测研究了3种数据分析方法,取得的成果与创新点如下:(1)针对肉类掺假定性检测中神经网络训练速度慢的问题,本文引入了一种快速的学习算法-极限学习机,提高了肉类掺假定性检测的算法效率。通过留一交叉验证法得到最优的光谱预处理技术为二阶微分法;利用假设检验证明了极限学习机在识别肉类掺假上有更高的准确性和稳定性。使用950条谱带建立极限学习机模型,牛肉掺假识别的准确度和特异度分别为96.28%、99.60%,其方差系数分别为0.06、0.01;猪肉掺假识别的准确度和特异度分别为98.56%、99.48%,其方差系数分别为0.03、0.01。(2)针对肉类掺假定量检测中存在谱带冗余和多重共线性效应的问题,本文提出了一种新型的定量分析算法,实现了快速、准确的掺假程度定量。该方法利用极限学习机实现特征降维后基于偏最小二回归分析实现回归分析。在检测牛肉中鸡肉含量和猪肉肥瘦比时,使用950条谱带建立偏最小二回归模型,测试集最优的均方根误差分别为1.40%、2.37%;使用极限学习机将特征维数降至40和10后再建立偏最小二回归模型,测试集最优的均方根误差分别为1.56%、2.57%。(3)在前述研究的基础上,针对牛肉掺假中掺假物的分布可视化问题,本研究提出了一种新型的可视化定量模型,实现了牛肉样本中掺假物分布可视化和掺假程度定量。该方法根据不同样本高光谱图像之间线性回归系数的概率分布建立判别模型,进而对图像上单一像素点定性识别。使用950维高光谱图像建立上述可视化定量模型,对于掺假程度分别为0%、10%、20%、30%和40%的掺假牛肉进行可视化检测,其最佳预测结果为4%、11%、25%、27%、41%,平均绝对误差为2.8%。本论文所研究的基于光谱和图像特征的数据处理方法能有效提高肉类掺假定性、定量和可视化的检测精度,证明了数据处理方法是改善其检测精度的有效手段,为高光谱检测技术在肉类掺假检测的发展提供新手段,进而推动其在食品安全领域的发展。