辣椒（Capsicum annuum L.）是世界上一种重要的蔬菜,尤其是在亚洲和南美国家。当前,辣椒育种家都致力于寻找和培育早熟、高产、抗逆、抗病、优质的辣椒新品种,从而推动现代辣椒产业的发展。这些目标的实现首先取决于辣椒种质资源的研究,其中抗病性、品质的研究一直是辣椒育种工作的重点。传统的分析方法常常费时费力、成本高、过程繁琐,因此,寻找一种更加快捷高效的分析方法显得尤为重要。高光谱成像技术由于其准确、快速、无损的特点,在农作物病害和品质检测方面具有广阔的应用前景。本文以辣椒为研究对象,探索基于高光谱成像技术的辣椒疫病和品质分析研究,为后续的辣椒精准育种和高通量种质资源筛选提供理论依据和技术支撑。主要研究成果如下:（1）选择了不同辣椒疫病抗病性的六种辣椒品种,基于高光谱成像技术建立了稳健的辣椒疫病早期诊断模型。通过遗传-偏最小二乘法结合相关性分析得到5个特征波长（550 nm、670 nm、722 nm、760 nm和800 nm）;通过Pearson相关性分析筛选出八个特征植被指数,包括疾病水分胁迫指数、增强型植被指数、绿度指数、绿色植被指数、氮反射指数、光化学植被指数、红边植被胁迫指数、三角形植被指数。采用支持向量机分别基于全谱、全部植被指数、特征波长、特征植被指数建立健康和染病未显症辣椒样本的分类模型。其中,分类效果最佳的模型为基于特征植被指数建立的分类模型,在接种后第5天,健康和染病未显症样本的诊断准确率达91.25%。该结果表明在接种后第5天就可以通过高光谱成像技术很好地区分出健康和染病未显症的辣椒样本。（2）选择了不同感病程度的辣椒样本,基于高光谱成像技术建立了稳健的辣椒疫病三级感病程度分级模型。采用极限学习机、K最邻近判别法、支持向量机分别基于全谱、特征波长、特征植被指数建立辣椒疫病三级感病程度的分级模型。其中,基于特征波长与基于特征植被指数所建立的三级感病程度分级模型的分类效果相当,三级感病程度的分级准确率达99.75%。该结果同时验证了本研究筛选出的特征波长和特征植被指数对于辣椒疫病抗病性研究的普适性,即不仅适用于辣椒疫病的早期诊断模型,也适用于辣椒疫病感病程度的分级模型。（3）选择了不同成熟时期、不同辣度的辣椒果实,基于高光谱成像技术建立了辣椒品质指标检测模型及品质两级分级模型。探明了不同辣度品种辣椒成熟过程中辣椒素类物质含量的变化规律,即低辣度品种的辣椒素类物质含量在果实从绿色变为红色的成熟过程中增加,而高辣度品种的辣椒素类物质含量则在初期先增加,到绿熟期略有下降,随后在变色期又逐渐增加。采用连续投影算法、竞争性自适应加权采样法和遗传-偏最小二乘法选择最优波长,再分别基于全谱和特征波长建立偏最小二乘法、最小二乘支持向量机、极限学习机、径向基函数神经网络的品质检测和品质两级分级模型。其中,极限学习机结合连续投影算法的方法对辣椒素、二氢辣椒素和含水量的检测效果最好,预测集的相关系数分别为0.83、0.80和0.93,预测集的均方根误差分别为0.0156 g kg^-1、0.0168 g kg^-1和0.58%;径向基函数神经网络结合连续投影算法的方法对低辣度和高辣度辣椒果实的分类精度最高,达98.00%。本实验还分别得到了完整和切开的辣椒果实可视化分布图,从图上可以清楚地观察到辣椒素类物质在辣椒果实各部位的积累分布情况。这些结果表明基于高光谱成像技术可建立一种快速、无损的在线辣椒品质检测和品质分级方法,这对辣椒产业具有一定的借鉴意义。