卷心菜的叶球呈圆球形,是餐桌上的大众菜,富含营养较为丰富,受广大消费者们喜爱,有一些地区的农民通过种植卷心菜来增加家庭经济收入。卷心菜采摘后储存时间过长其叶片会发生萎蔫,失去脆感,直接降低其经济价值。因此,寻找一种快速、无损、高效的检测方法显得尤为重要。本研究运用高光谱技术和计算机视觉技术对卷心菜货架期进行检测,为卷心菜产业提供无损检测的理论依据。本试验以卷心菜为研究对象,基于高光谱技术和计算机视觉技术对卷心菜菜蒂和菜叶进行检测,通过菜蒂和菜叶的变化,对卷心菜货架期天数进行分类研究,对菜叶的水分指标进行定量检测研究。（1）基于卷心菜菜蒂变化对卷心菜货架期进行判别分析。使用高光谱分选仪采集卷心菜菜蒂的光谱信息,采用K-S算法划分各类样本的校正集和预测集,运用多种预处理方法对光谱信息进行预处理,再利用PLS算法建立模型对不同预处理的效果进行评价。通过RC和SPA算法分别提取了17和16个特征波长。利用PLS、LS-SVM和BP神经网络算法对全波段光谱数据和提取的特征波长分别建立判别模型,全部模型的综合判别率均在90%以上,其中,SPA-LS-SVM模型对基于卷心菜菜蒂变化的货架期判别精度最高,预测集中每天的误判个数均为0,综合判别率为100%。（2）基于卷心菜菜叶变化对卷心菜货架期进行判别分析。使用高光谱分选仪采集卷心菜菜叶区域的光谱信息,采用K-S算法划分各类样本的校正集和预测集,运用多种预处理方法对光谱信息进行预处理,再利用PLS算法建立模型对不同预处理的效果进行评价。结果表明,通过中值滤波平滑算法处理后的效果最好。通过RC和CARS算法分别提取了22和24个特征波长。利用PLS、LS-SVM和ELM算法对全波段光谱数据和提取的特征波长分别建立判别模型。结果表明:CARS算法提取的特征波长能够全面反映货架期卷心菜菜叶的相关信息。其中,CARS-ELM模型对基于卷心菜菜叶变化的货架期判别精度最高,预测集中每天的误判个数分别为3、4、1、0,综合判别率为93.34%。使用自行搭建的计算机视觉系统采集货架期卷心菜菜叶的图像信息,并提取纹理特征和颜色特征共38个特征参数,采用CARS和SPA算法优选特征参数,并建立PLS模型进行评价比较,结果表明:CARS算法提取的17个特征参数更能反映货架期卷心菜菜叶的相关信息,再利用提取的特征参数建立PLS和BP神经网络判别模型,各模型均取得了一定的判别效果。（3）基于高光谱技术对不同货架期卷心菜外层菜叶水分含量进行预测分析。对菜叶光谱信息进行不同预处理,并建立PLS模型评价预处理效果。采用CARS、SPA和CARS+SPA方法分别提取29、17和46个特征波长。通过全波段和特征波长分别建立PLS和BP神经网络预测模型,结果表明:通过CARS和SPA联合建立的BP神经网络预测模型效果最优,Rc~2和RMSEC分别为0.8299和0.01412;Rp~2和RMSEP分别为0.8144和0.01469。说明用高光谱技术来检测不同货架期卷心菜菜叶的水分含量是可行的。