牛奶因含有很多人体所需要的营养元素成为了广受喜爱的饮品之一,但其质量安全问题却在近些年层出不穷。因此牛奶的营养成分检测一直以来是热门话题,对满足消费者的食品品质需求和安全质量要求具有重要的意义。传统的牛奶营养含量检测技术耗时久、效率低,对人工的依赖性很高。而光谱技术的发展为牛奶的快速无损检测提供了新的途径。利用光谱信息对食品进行定量分析已成为了一种重要的营养成分检测手段。这种方法通过检测样本中的光谱信息,对其进行特征分析和模型构建等定性定量分析,比传统检测方法更快速、无损、准确。本文以5种不同蛋白质含量的新鲜液态奶作为对象,获取牛奶光谱图像数据,研究光谱的预处理方法,降维方法,蛋白质含量预测模型构建方法,达到利用光谱成像技术无损检测牛奶中蛋白质含量的目的。本文主要研究内容如下:（1）建立牛奶高光谱数据集。利用高光谱成像技术采集牛奶样本的高光谱图像信息,通过ENVI软件提取牛奶的光谱数据,并建立公共的牛奶高光谱数据库,为后续相关领域进行牛奶营养含量检测等研究提供数据平台。（2）提出了基于莱维飞行策略与柯西高斯扰动改进的麻雀搜索算法优化支持向量回归的牛奶蛋白质含量预测模型LSSA-SVR。针对麻雀搜索算法中可能出现搜索多样性不足、易陷入局部最优的问题,本文在麻雀种群的追随者位置更新时加入莱维飞行策略的随机步长,扩大算法的搜索面积,避免出现局部最优的情况。并在算法寻优前期引入柯西扰动大范围搜索避免算法“早熟”,在算法后期引入高斯扰动小范围精细搜索来加快收敛速度。实验结果表明,LSSA-SVR模型在牛奶蛋白质含量的预测中准确率和预测速度都有显著提升。（3）提出了基于Tent混沌映射与差分进化算法改进的麻雀搜索算法优化支持向量回归的牛奶蛋白质含量预测模型Tent-DESSA-SVR。针对麻雀搜索算法中可能出现种群分布不均匀、过早收敛的问题,首先通过Tent混沌映射丰富麻雀种群,然后在麻雀搜索算法迭代中,结合差分进化算法对当前迭代的最优个体进行变异、交叉和选择操作,提高算法的全局寻优能力。实验结果表明Tent-DESSA-SVR模型具有较高的模型稳定性以及预测精度,预测性能明显优于对比模型,为牛奶蛋白质含量的预测提出了另一种模型构建方法。（4）提出了引入自适应权重的改进鲸鱼优化算法结合Elman神经网络的牛奶蛋白质含量预测模型ISWOA-Elman。该模型解决了Elman神经网络模型在牛奶蛋白质含量预测中存在的收敛速度慢且预测精度低等问题。首先利用自适应权重改进鲸鱼优化算法以增强其全局搜索及局部开采能力,然后对鲸鱼优化算法中的螺旋上升公式进行改进以实现对鲸鱼种群的干扰,进一步增强算法的全局搜索能力,避免了鲸鱼优化算法在后期的多样性丢失。ISWOA-Elman神经网络模型具有较高的预测精度,在牛奶蛋白质含量预测中具有显著优势。