花生是重要的经济作物和油料作物,其品质安全越来越受到人们的关注。传统花生品质安全的检测方法需要用到大量的化学试剂、操作复杂,难以满足花生品质现场检测的需求。因此,设计一种快速、可靠的花生品质安全的检测方法具有非常重要的实际意义。近红外光谱技术由于其客观、快速、经济等特点已经越来越受到人们的重视。基于此,本研究探讨了基于不同近红外光谱特征的花生品质安全检测方法的研究。主要研究内容如下:（1）基于近红外光谱技术的花生脂肪酸值检测方法研究利用傅里叶变换近红外（Fourier transform near-infrared,FT-NIR）光谱仪和便携式近红外（portable near-infrared,P-NIR）光谱仪分别获取不同储藏期花生样本的近红外光谱。运用SG（Savitzky-Golay,SG）结合标准正态变换（standard normal variate,SNV）对P-NIR原始光谱进行预处理,并且运用SG结合多元散射校正（multiplicative scatter correction,MSC）对FT-NIR原始光谱进行预处理。利用联合区间偏最小二乘（synergy interval partial least squares,Si PLS）对预处理后的近红外光谱进行特征波长区间的优化;接着,利用自举软收缩（bootstrapping soft shrinkage,BOSS）对优选的特征区间进一步进行特征波长的优化。引入支持向量机（support vector machine,SVM）建立基于优选特征波长变量的化学计量学模型。研究结果显示,基于不同近红外光谱特征波长变量融合的Si PLS-BOSS-SVM模型获得了最佳的预测性能。该模型的预测均方根误差（root mean square error of prediction,RMSEP）为6.5192mg/100g、预测集决定系数RP~2（coefficient of determination of the prediction set）为0.9446、剩余预测偏差（residual predictive deviation,RPD）为4.2829。研究结果表明,商业化的近红外光谱仪和便携式近红外光谱系统尽管在波段上有所重合,但得到的波长变量在一定程度上能够起到信息互补的效果,从而能有效提高检测模型的泛化性能。（2）基于近红外光谱技术的花生黄曲霉毒素B1检测方法研究利用FT-NIR光谱仪和P-NIR光谱仪分别采集不同霉变程度花生样本的近红外光谱。运用合适的光谱预处理方法分别对FT-NIR原始光谱和P-NIR原始光谱进行预处理。引入变量组合群体分析（variable combination population analysis,VCPA）和变量组合群体分析-迭代保留信息变量（VCPA-iteratively retain information variable,VCPA-IRIV）分别对预处理后的两种近红外光谱进行特征优化,并分别建立基于优化特征和融合优化特征的SVM检测模型。研究结果显示,与全光谱SVM模型相比,基于优化特征建立的SVM模型预测性能都有所提升;与基于单一光谱特征的SVM模型相比,基于融合特征建立的SVM模型表现出更佳的预测性能。其中,基于融合特征建立的VCPA-SVM模型具有最佳的泛化性能,其RMSEP=3.4437μg/kg、RP~2=0.9544和RPD=4.7628。研究结果表明,基于近红外光谱技术结合合适的分析方法可实现花生中AFB1的高效检测。近红外光谱技术在谷物中真菌毒素的检测方面有很大的应用前景,研究结果为花生等谷物中的毒素检测提供了一种方法参考。本研究比较了不同近红外光谱特征在花生品质安全检测方面的应用潜力。研究结果可为谷物品质安全的近红外光谱检测研究完善理论基础,同时也为谷物品质安全检测专用的便携式近红外光谱检测装置的研发提供技术借鉴和方法参考。