当前国内的水果可溶性固形物在线检测技术,往往是针对单一品种水果、固定产地、单一年份进行可溶性固形物的分选。而在实际生产过程中大多数水果生产商的产品并不是单一品种的水果,造成即使在同一台设备上采集到的水果光谱,在光谱特性方面有或大或小的区别,以及模型不通用的现象,需要生产商不断地根据需要生产的水果品种来更换数学模型。同一产地的同种水果也会因年份不同导致降水、气温以及光照产生差异,影响水果的品质,进而反映在采集到的光谱上,引起光谱特性的变化,从而影响模型的通用性、稳定性以及准确性。为研究不同品种水果可溶性固形物在线检测通用模型以及同种水果的模型升级与维护方法,采用实验室自行研制的可见/近红外动态在线检测装置采集水果样品的近红外光谱,装置的检测速度设置为300个/min。(1)本文分析不同种类水果的光谱差异,针对其光谱特性采用多元散射校正、二阶导数与变异系数法等多种预处理方法,在筛选出变异系数较小的相似波段的基础上,最大程度的保留对建模有效的光谱信息,建立不同种类的薄皮水果可溶性固形物同时在线检测通用数学模型,能够实现同时检测种类不同但是理化性质相近的水果可溶性固形物差别。然后通过对比分析所使用的各种不同的方法建立的模型的预测效果,决定系数以及稳定性等,最后综合考虑模型的优劣,筛选出最佳的数学通用模型。采用变异系数法筛选出最佳相似波段,采用PLS与LS-SVM两种算法进行建模,对比两者的准确性与稳定性,最终确定采用PLS算法建立的数学通用模型为最佳模型。模型的rc与rp分别都达到了0.93,RMSEC与RMSEP分别为0.52°Brix、0.51°Brix。采用建模之外的数据对模型进行测试,验证了模型的通用性与兼容性。用四种水果分别测试通用数学模型的性能,结果表明富士苹果的验证结果是最佳的。(2)本文以三个年份(2015年、2016年、2017年)的冰糖心苹果为研究对象,采用可见/近红外光谱在线检测技术,用PLS算法建立水果可溶性固形物数学模型,研究水果可溶性固形物近红外动态在线检测模型的升级与维护方法。以最早年份(2015年)的水果建立“基础数学模型”,数学模型建立后,分别采用不同年份但同一产地的水果对其精度与稳定性进行测试,并分析原因。然后对基础模型进行升级与维护,探讨水果动态在线检测数学模型升级与维护的方法,采用了三种数学模型升级维护的方法:采取一系列的预处理方法,缩小光谱的差异性,然后选取最相似的波段,再综合考虑最大程度的保留光谱的有效信息,筛选出受环境影响最小的不敏感波段,进行建模,以提高模型的容扩性;在基础模型的基础上,添加不同年份的水果数据,通过增加模型的数据量来提高其稳定性与准确性;画出模型的真值与预测值的曲线图,分析出模型的真值与预测值的函数关系,以调整模型的截距,来提高模型的预测性能。讨论三种模型维护方法的优劣,三种升级方法中采用更新数据的模型维护方法在两个年份中预测相关系数提升都最大,分别提升了0.28与0.20,说明采用更新数据的模型维护方法对模型的稳定性提升最为有效;采用直接校正的方法在两个年份中预测均方根误差减小最多,分别减小了0.69°Brix与0.39°Brix,说明采用直接校正的方法对模型的准确性提升效果最好,但是采用直接校正的方法对模型的预测相关系数提升不大,仅为0.1;最终经过综合比较,在模性型维护效果相差不大的情况下,优先考虑采用选取不敏感波段的方法进行模型的升级与维护,在采用相似波段法效果提升不大情况下,采用添加样品更新数据的方法进行模型的更新与维护。