梨的可溶性固形物含量(soluble solids content,SSC)和硬度(firmness)是衡量其口感及风味的两个重要指标。传统SSC及硬度的检测方法属于破坏性检测,且样品预处理操作繁琐,检测周期长,主观性强,不适于在线分析。近红外光谱(near infraredspectroscopy,NIR)分析技术作为一种快速、无损、准确、多组分同时检测的绿色分析技术,在食品和农产品品质检测方面正快速替代许多常规理化分析手段。本论文开展了基于NIR分析技术的梨内在品质指标检测方法的研究。首先,有比较运用不同光谱预处理方法来优化模型,以确定出最佳的光谱预处理方法来用于最终模型的建立；然后,引入特征谱区及波长筛选方法来解决光谱信息严重重叠的问题,以提高分析模型的预测精度和稳定性；最后,利用不同的数据降维算法来简化梨的SSC的非线性校正模型。本论文主要工作及结论如下:　　 (1)光谱预处理方法在校正模型优化中的研究。试验采用5种光谱预处理方法(标准正态变量变换、均值中心化、极小／极大归一化、一阶导数及二阶导数)对梨的原始光谱进行预处理,并分别建立梨的SSC和硬度的PLS校正分析模型；在模型建立过程中,依据全局交互验证均方根误差值最小的原则来选取建模所需的最佳主成分因子数。试验结果显示,在分析梨的SSC及硬度内在品质指标时,最佳光谱预处理方法分别为均值中心化和标准正态变量变换；最终模型的最佳主成分因子数分别为12和9；模型预测集相关系数(R)分别为0.8808和0.8483。试验结果表明,选择合适的光谱预处理方法和最佳的主成分因子数来建立校正模型可以很好地预测梨的内在品质指标,为梨品质的快速实时在线检测提供有效的新方法。　　 (2)近红外光谱特征谱区及波长筛选的研究。梨近红外光谱区域存在光谱信息重叠的问题,影响校正模型的预测性能和稳健性。因此,本研究运用特征谱区或波长筛选法并结合PLS法来建立梨的内在品质指标预测模型,提高最终校正模型的预测精度和稳定性。试验以梨的硬度为研究对象,采用5种特征谱区或波长筛选方法(区间偏最小二乘、联合区间偏最小二乘、向后区间偏最小二乘、遗传区间偏最小二乘和遗传联合区间偏最小二乘)来优化模型,并比较各模型的预测性能。试验结果显示,GA-siPLS所建模型的预测性能最佳,参与建模的变量个数为96,其校正集相关系数(R)和RMSECV值分别为0.9276和0.5465,预测集相关系数(R)和RMSEP值分别为0.9083和0.5573。试验结果表明,利用特征谱区或波长筛选方法来优化模型,都能在有效提高模型精度的同时降低模型的复杂度,很好地解决了光谱信息重叠的问题。　　 (3)梨SSC的非线性校正模型简化的研究。由于梨的内在品质属性是非常复杂的天然成分,可能会导致模型的输入与输出之间呈现较为复杂的非线性映射关系。因此,本研究首先利用APaRP结合Runs Test方法来诊断梨的NIR光谱数据及SSC实测参考值之间线性度的关系；然后运用主成分分析、独立分量分析和等距映射三种数据降维算法来分别提取近红外光谱的特征信息,并结合BP网络建立梨的SSC非线性检测模型。试验结果表明,与PCA及ICA相比较,ISOMAP提取的特征信息与实际光谱更为接近,建立的模型检测精度更高,其校正集和预测集的相关系数分别为0.9525和0.9322。该研究为梨的内在品质指标定量分析提供了一种新的建模方法,同时也为ISOMAP非线性降维算法在近红外光谱数据分析中的具体应用进行了有益的探索。　　 综上所述,本论文系统地讨论了光谱预处理方法、特征谱区及波长筛选方法和数据降维算法在梨的内在品质指标线性或非线性校正模型优化中的应用研究,旨在建立和完善梨的内在品质指标NIR检测方法,本项研究成果能为开发拥有自主知识产权的梨及其它农产品的内在品质NIR检测装备提供理论基础和方法借鉴。