杀青工艺对绿茶品质的形成起着决定性的作用，该环节茶叶含水率的监测尤为重要。但由于杀青叶料含水率变化大而快，在加工中不易精确在线检测与实时反馈调控。本研究综合利用可见-近红外光谱和光谱成像技术，试验获取龙井43杀青叶料的高光谱信息，通过预处理和特征提取，分别建立含水率的光谱和成像检测模型;综合以上两个模型，建立优化组合检测模型，进一步提高检测精度，从而为实现绿茶杀青叶料含水率的在线检测提供技术支撑。　　 主要研究工作与结果如下:　　 (1)基于可见-近红外光谱的绿茶杀青叶料含水率检测模型研究　　 利用便携式地物光谱仪获取绿茶杀青叶料在350～2500nm光谱范围的漫反射光谱信息，对不同含水率绿茶杀青叶料的光谱进行特征分析，排除干扰波段，取余下波段的光谱反射率作为特征参数。将192个样本的光谱数据根据SPXY算法确定132个样品作为校正集，48个样品作为预测集，采用相关系数法优选出11个特征波长:501～588nm、594～645nm、651～673nm、706～756nm、785～973nm、1121～1153nm、1218～1223nm、1273～1395nm、1409～1597nm、1823～1877nm和1887～1971nm。针对绿茶杀青叶料近红外光谱信息进行不同的预处理和不同的建模方法研究，并探讨这些预处理方法和建模方法对绿茶杀青叶料含水率预测模型的影响。发现利用一阶微分与滑动平滑滤波相结合的预处理方法，选用5个主成分时建立的偏最小二乘回归模型可以很好地预测含水率，其校正模型的相关系数为0.990，均方根误差为0.011;预测模型的相关系数为0.819，均方根误差为0.037，预测含水率的平均相对误差为3.30％。　　 (2)基于光谱成像的绿茶杀青叶料含水率检测模型研究　　 针对绿茶杀青叶料的光谱成像信息，首先采用主成分分析法对原始光谱图像进行波长优选，提取3个特征波长为980、1190和1389nm。然后探讨了其图像的预处理方法，根据灰度共生矩阵方法提取6个灰度特征值和5个纹理特征值，来表征绿茶杀青叶料含水率，用于建模。综合灰度和纹理的特征值，进行主成分回归、BP神经网络以及SVM回归分析，结果表明SVM回归模型效果较好，其相关系数R为0.8566，均方根误差RMSEP为0.0401。　　 (3)杀青叶料含水率检测组合模型研究　　 单一的检测模型往往不能达到满意的效果，探究对其进行多模型组合建模预测。本研究选择的单一模型是绿茶杀青叶料的近红外光谱模型和光谱成像模型，选用这两个模型的预测值，通过DPS数据处理软件进行多模型组合建模。最后，基于SVM回归算法的绿茶杀青叶料含水率的双模型组合模型的精度较高，效果最佳，其预测相关系数R为0.9808，预测均方根误差为2.0309，预测值与实测值平均绝对误差为1.94％，平均相对误差为3.10％，均比绿茶杀青叶料含水率的近红外光谱检测模型和光谱成像等单一的检测模型精度要高。