随着社会的发展，研究快速、精确、高效的无损检测技术对推动各个行业的持续的发展有着十分重要的意义。近年来，近红外光谱分析技术与高光谱成像等技术结合模式识别方法被广泛用于被检物品质信息的快速无损获取。因为近红外光谱数据和高光谱数据都是海量高维数据，所以如何将这些高维数据进行降维，但又不会使数据中包含的有效信息量减少，就变得很重要。同时，利用模式识别方法建立准确的预测模型同样也是很重要的。本文针对近红外光谱与高光谱成像无损检测中的海量光谱数据降维以及如何建立准确预测模型问题，开展了以下的研究：1.本文利用自编码网络（AN）流形学习算法对大西洋鲑鱼的可见-近红外光谱数据进行非线性降维，再利用线性判别分析(LDA)、最小二乘支持向量机(LS-SVM)对大西洋鲑鱼的肉质建立了分类预测模型。结果表明，利用自编码网络（AN）流形学习算法对可见-近红外光谱数据进行降维，能取得比传统的主成分分析法（PCA）光谱降维方法更好的分类预测结果，自编码网络（AN）流形学习算法为近红外光谱检测中的海量数据降维提供了一种良好的新途径。2.本文利用主成分分析(PCA)对汽车变速箱油的高光谱成像数据进行降维，采用稀疏表示(SR)等分类方法对其品种进行分类，再和利用线性判别分析(LDA)和最小二乘支持向量机(LS-SVM)进行分类的正确率相比较。结果表明，在相同的高光谱成像数据降维方法下，利用稀疏表示方法进行分类比线性判别分析（LDA）和最小二乘支持向量机（LS-SVM）分类的正确率更要高，稀疏表示方法为利用高光谱成像技术建立无损检测分类模型提供了全新的途径。本文通过近红外光谱分析技术和高光谱成像技术，为大西洋鲑鱼的肉质分类和汽车变速箱油的分类分别提出了新的快速无损的检测方法，这也可以应用到其它物质的无损检测中。