苹果是我国主要种植的水果品种之一,在水果产业中具有重要地位。水心病是苹果常见的一种内部生理病害,对苹果的存储有较大的影响。此外,患有水心病的苹果口感独特,又被称为冰糖心苹果,深受国民喜爱。苹果糖度是衡量苹果内部品质的一个重要依据,影响消费者的购买意愿。因此,实现对苹果水心病和糖度的在线快速检测具有重要意义。本文以阿克苏苹果为研究对象,基于可见-近红外透射光谱技术,开展了苹果水心病和糖度在线检测方法的研究。具体研究内容和结论如下:基于光谱范围为680-1000 nm的可见-近红外透射光谱,研究了检测速度、样本朝向对苹果水心病判别的影响,确定了最佳的检测速度和朝向,并评估了水心程度。根据采集的三个检测速度（S1=0.3m/s、S2=0.5 m/s和S3=0.8 m/s）和三个检测朝向（O1:果梗朝上;O2:果梗-花萼轴线水平且果梗朝向光源;O3:果梗-花萼轴线与传送带移动方向平行）共9组光谱数据,基于最小二乘支持向量机（LS-SVM）和偏最小二乘判别分析（PLS-DA）方法建立了苹果水心病判别模型,经过对比,确定S2-O3为最佳的检测速度和朝向。然后,采用蒙特卡洛无信息变量消除（MC-UVE）组合连续投影算法（SPA）选择有效波长。基于8个有效波长建立的MC-UVE-SPA-LS-SVM和MC-UVE-SPA-PLS-DA判别模型对苹果水心病具有相同的检测精度,对预测集的识别准确率均为98.48%。为了预测苹果的水心程度,基于水心苹果横截面图片的水心区域与全区域面积占比和水心苹果光谱数据,分别建立了偏最小二乘法（PLS）、多元线性回归（MLR）和LS-SVM水心程度预测模型。结果表明,MC-UVE-SPA-LS-SVM模型的预测效果最好,其RP和RMSEP分别为0.93和2.12%。基于方差分析方法的苹果水心病判别模型优化研究。首先,对S2-O3的光谱数据进行单波段方差分析,选取F值的极大值确定组间差异最显著的波长变量,然后基于确定的2个波长变量建立了LS-SVM水心病判别模型,对预测集的检测精度为98.48%。为了验证该方法的有效性,对S2-O1和S2-O2的光谱数据进行了与S2-O3相同的处理,基于各自对应的2个波长变量建立的LS-SVM水心病判别模型对预测集的检测精度分别为93.94%和89.39%。此外,对S2-O3光谱数据的波段比进行方差分析,由最大F值确定了组间差异最显著的波段比,基于该波段比建立的阈值判别模型对预测集的检测精度为98.48%。同时,利用该方法对S2-O1和S2-O2的光谱数据进行了同样处理,对预测集的检测精度分别为95.45%和89.39%。基于可见-近红外透射光谱研究了检测朝向对苹果糖度在线检测的影响,建立了综合三个检测朝向光谱数据的全局朝向模型并对其进行优化。基于S2-O1、S2-O2和S2-O3光谱数据,通过PLS和LS-SVM算法分别建立和对比了单一局部朝向和全局朝向苹果糖度预测模型。结果表明,全局朝向苹果糖度预测模型具有较好的朝向适应性。相较于PLS模型,LS-SVM模型对苹果糖度的预测精度更高。采用SGS组合MSC方法对光谱数据进行预处理。基于MC-UVE与自举软收缩算法（BOSS）筛选的39个有效波长,建立的MC-UVE-BOSS-LS-SVM全局朝向糖度预测模型,对三个检测朝向（O1、O2和O3）的样本均取得了较好的检测结果,其RP和RMSEP分别为0.879、0.838、0.851和0.632、0.755、0.782°Brix。