粮油作物是国家的立足之本。人类的营养健康和生命安全都与粮油的品质安全密切相关,粮油种类的无损检测具有重要的意义。传统的粮油种类检测方法是依靠人工分拣、传统成像的定性分析以及化学测定的定量分析。这些方法存在耗时长,成本高,检测易受干扰,检测结果不准确等缺点。而且对检测环境和检测人员要求很高。所使用的化学试剂有毒有害,不但会破坏检测样品,还会污染环境。因此,寻找一种可以实时在线、高效、准确、绿色无损的粮油种类检测技术具有重要的意义。本文主要是研究粮油种类无损检测中的特征处理方法。对于食用油的种类鉴别问题,主要是基于拉曼和近红外光谱技术并运用模式识别的方法对食用油进行种类鉴别。用八种预处理方法分别对采集得到的花生油、玉米油、菜籽油、葵花籽油、大豆油五种食用油的拉曼和近红外光谱数据进行预处理。首先采用典型相关分析、CARS、SPA等特征处理方法获取经过预处理后的食用油拉曼和近红外光谱数据的特征波长。然后用支持向量机分类和K最近邻方法对获取的特征波长建立食用油拉曼和近红外光谱融合种类鉴别模型。建立的种类鉴别模型在当前食采集得到的食用油样本下品种鉴别准确率均可以达到100%,可以准确地识别出五种食用油种类。其中基于典型相关分析的模型效果要优于另外两种方法,因为典型相关分析所建模型在同样的种类识别效果下模型的输入特征波长变量最少。提高了模型的效率和准确率,节省了数据的存储空间,降低了计算成本。实现了粮油种类快速无损准确检测的目标。对于谷物的品种识别问题,主要解决方法是高光谱成像技术结合光谱特征波长选择的方法。采用稀疏主成分分析算法选取采集的四类水稻种子的高光谱图像的特征波长,然后用K均值聚类对选取得到的特征波长建立谷物品种快速检测模型。并用主成分分析提取谷物种子高光谱图像的特征信息,用来对比验证稀疏主成分分析选取的特征波长是否具有可解释性。建立的稀疏主成分分析(SPCA)全波段的K均值聚类模型效果最好,识别率最高为90%,此时选取了30个特征波长。而对全波段直接建立K均值聚类的模型最高识别率仅为40%。而将高光谱的光谱特征波段进行分组时,建立的稀疏主成分分析的K均值聚类模型效果最好的识别率为81.25%,此时选取了18个特征波长。建立的主成分分析的K均值聚类模型的最高识别率分别为55%和67.5%。从实验结果可知,采用SPCA提取的谷物高光谱图像的特征波长更具有解释性,可以更高效快速地识别谷物种子的品种,提高谷物品种的识别率。