本文以玉露香梨为研究对象,采用高光谱技术与化学计量学相结合的方法,对玉露香梨的可溶性固形物（SSC）、硬度和机械损伤进行了理化测定和分析,并基于高光谱技术进行了建模分析。（1）采集玉露香梨的高光谱图像,并提取赤道位置的光谱信息,建立玉露香梨的可溶性固体（SSC）和硬度检测模型。采用导数(D1st)、标准正态变换（SNV）等多种方法对原始光谱进行预处理,并建立偏最小二乘回归（PLSR）模型,对预处理的效果进行评价。结果表明,经标准正态变换（SNV）处理后的模型效果最佳。玉露香梨可溶性固形物（SSC）检测模型的校正集相关系数（Rc）为0.8922,校正集均方根误差（RMSEC）为0.5575,预测集相关系数（Rp）为0.8552,预测集均方根误差（RMSEP）为0.7385;玉露香梨硬度检测模型的校正集Rc为0.8872,RMSEC为0.4419,预测集Rp为0.8467,RMSEP为0.5755。结果表明,经过适当的预处理后,玉露香梨的可溶性固形物（SSC）和硬度检测模型精度均有所提高。（2）提取特征波长简化模型。通过竞争性自适应加权算法（CARS）、遗传算法（GA）和连续投影算法（SPA）三种方法对玉露香梨光谱数据进行降维处理,发现连续投影算法（SPA）提取的13个波长对可溶性固形物（SSC）指数的建模效果最好,其Rc为0.8934,RMSEC为0.5839,Rp为0.8557,RMSEP为0.6219;而硬度指标遗传算法（GA）提取的34个波长建模效果最好,其Rc为0.9208,RMSEC为0.4098,Rp为0.8910,RMSEP为0.4863。通过提取特征波长,计算时间大大缩短,检测模型也得到简化。（3）对玉露香梨的机械损伤进行判别分析。分别采集玉露香梨完好样本和机械损伤后0h、12h、1d、2d和3d的玉露香梨的高光谱图像,然后提取损伤部位的光谱数据。对样本的原始光谱进行标准正态变换（SNV）、标准化（Nor）等多种方法的预处理,结果表明,经Nor处理后的模型效果最佳。然后,分别构建了线性判别分析（LDA）、偏最小二乘分析（PLS-DA）和最小二乘支持向量机（LS-SVM）三种玉露香梨的机械损伤判别模型,LS-SVM模型得得效果最好且准确率最优。然后分别采用CARS和SPA两种方法,在Nor预处理后从光谱数据中提取特定的波长,分别选出了16个和8个特征变量。利用提取的特征变量,分别建立CARS-LS-SVM和SPA-LS-SVM的玉露香梨损伤预测模型。结果表明,CARS-LS-SVM模型的检测效果最优,机械损伤后0h、12h、1d、2d和3d的玉露香梨,准确率分别为80%、80%、90%、100%、100%。