随着农业技术的发展,市场上的水果品种越来越丰富,人们对水果质量的要求也越来越高,同时也希望借助某些检测技术来鉴别一些人眼所无法直观判断的水果外部品质。高光谱成像技术由于其波段范围宽,光谱分辨率高,不会对被测对象造成破坏等特点使之成为当下无损检测水果品质的一种重要手段。但由于目前水果的高光谱采集多是利用线扫描的方式,存在光谱采集装置笨重,采集光谱速度慢,容易受平台和物体快速移动的问题。这些因素使得高光谱成像这种高精度的水果无损检测分选方式多存在于实验室中,极大影响了高光谱成像在平民日常检测和工业实用化中的推广。本项目基于此点出发,搭建一套马赛克型光谱成像水果无损检测模型系统,利用其采集装置便携,获取水果光谱速度非常快和稳定的优势,克服其光谱分辨率低的劣势,研究相应的适应马赛克光谱成像的高精度水果无损检测模型以满足工业上快速分选的目的。本论文的主要研究工作包括两个方面:利用马赛克型光谱成像技术对圣女果表面农药残留进行鉴别和对干红枣品种进行鉴别分类,主要研究成果及结论如下:（1）提出一种适合马赛克型的光谱图像处理方式——兴趣区域提取和通道归一化。这样做既能完整的获得整个样品表面的光谱信息,还能很大程度上减少光谱数据的繁杂度,提高模型的拟合速度和精度。（2）基于通道归一化光谱利用机器学习算法建立了五种圣女果表面农药残留判别模型,其中随机森林（RF）,梯度提升机（GBM）和支持向量机（SVM）鉴别模型都取得了很好的结果,识别精度达到了90.6%。SVM模型在保证精度的同时拟合速度也只需8ms,而GBM模型有着更好的鲁棒性和鉴别性能,其不错的识别精度和拟合速度使圣女果农药检测有望走进平常生活中。（3）基于相似的兴趣区域提取与通道归一化,通过交叉验证网格搜索最佳参数的方式建立4种干枣品种鉴别模型。其中RF和GBM模型对训练集预测精度都可达100%,测试集精度也可分别达到94%和90%。MLP模型由于在小数据集中很难发挥优势,鉴别精度只有72%。而RBF-SVM（gamma=1000,C=10000）模型在干枣数据集中展现出了极佳的性能,鉴别精度可高达98%。其交叉验证度为99%,也体现该模型在干枣数据集训练后有很强的泛化能力。