三文鱼口感爽滑、肉质鲜美、营养丰富,广受消费者喜爱。然而,当前三文鱼市场存在假冒和腐败变质等食品质量安全问题,严重影响消费者的健康和利益。传统的理化分析方法实验复杂、耗时、成本高,如何简单、快速、准确地对三文鱼假冒、掺假和新鲜度进行检测是目前面临的难题。本文以光谱技术为手段,综合运用深度学习、图像处理等相关算法及理论,进行光谱分析、处理、建模等一系列方法研究,建立了三文鱼假冒、掺假和新鲜度等品质检测模型。具体研究工作如下:（1）应用红外光谱技术对挪威三文鱼、黑龙江大马哈鱼、淡水虹鳟和智利三文鱼进行鉴别研究。提出了基于主成分分析-线性判别分析-马氏距离（PCA-LDA-MD）的奇异点排除方法;比较了不同光谱预处理方法的优劣性;分析了不同种类三文鱼光谱的差异;建立了准确的三文鱼假冒光谱鉴别模型。结果表明:当峰面积归一化法和PLS-DA相结合时,鉴别模型的性能最好,该模型能显著区分四种鱼肉光谱,其中校正集和交叉验证集的决定系数分别为0.97、0.95;RMSEC和RMSECV分别为0.37、0.52,检测集预测准确率达到了96%。（2）应用红外光谱技术对三文鱼的掺假问题进行鉴别研究。研究了不同预处理方法的适应性和使用范围;分析了典型光谱特征峰的归属;研究了光谱特征峰与三文鱼脂肪、蛋白质成分差异之间的内在联系;研究了不同光谱特征波段对光谱建模的影响;建立了准确的光谱鉴别模型。结果表明:PLS-DA模型结合原始光谱可准确出鉴别挪威三文鱼是否掺假,但对具体掺假比例鉴别的准确率较低。当采用归一化预处理方法并结合450-1900 cm^-1特征光谱时,鉴别模型准确率达到90%,校正集和交叉验证集决定系数分别为0.99和0.98,校正集均方差和交叉验证均方差分别为2.3和4。（3）应用可见光/近红外（VIS/NIR）光谱技术对三文鱼存储时间、菌落总数和挥发性盐基氮进行检测研究。研究了三文鱼肉和三文鱼皮两个部位对检测结果的影响;分析了肉质差异在光谱特征峰上的反馈;提出了基于深度学习的堆栈去噪自编码（SDAE）建模方法。结果表明:使用三文鱼肉光谱建模的检测结果比三文鱼皮更准确,SDAE神经网络能有效改进BP神经网络的去噪能力与检测精度。当检测三文鱼存储时间时,检测集决定系数为0.98,RMSEP为0.93;当检测菌落总数时,检测集决定系数为0.96,RMSEP为0.28;当检测挥发性盐基氮时,检测集决定系数为0.96,RMSEP为1.25。（4）研究基于图像与光谱信息的三文鱼颜色分级及新鲜度检测方法。搭建了基于机器视觉的三文鱼图像采集系统;研究了基于误差补偿的三文鱼L^*a^*b^*颜色测定方法;建立了三文鱼颜色分级系统;研究了基于卷积神经网络的三文鱼新鲜度检测方法;研究了基于迁移学习的三文鱼新鲜度检测方法;研究了一种融合光谱和图像信息的三文鱼新鲜度检测方法。结果表明:应用该视觉系统可准确对三文鱼的颜色进行测定,并实现对三文鱼颜色的准确分级。应用自建11层卷积神经网络对三文鱼新鲜度进行检测时,校正集和检测集准确率分别为74.2%和41.1%。应用GoogLeNet迁移学习方法对三文鱼新鲜度进行检测时,校正集和检测集准确率分别为61.72%和58%。将图像信息和光谱信息融合后对三文鱼新鲜度进行检测时,模型性能显著提高,检测集预测准确率可达到93.4%。本文的研究成果可以改变目前三文鱼检测领域普遍存在的复杂、耗时、成本高的技术现状,不仅能够对当前存在的三文鱼品质问题实现准确检测,同时可为其他鱼类和家畜的相关检测提供一种快速、高效、低成本的检测思路。