随着我国居民收入水平和健康意识的提高,人们对蔬菜、水果等食物营养含量的重视也随之增加。优质苹果可以在市场上展现出了更强的竞争力,目前苹果的需求量也在不断增加,但是传统的人工分拣方法费力、费时、技术劳动强度大、破坏性大。近年来,可见/近红外光谱分析技术以低成本、快速、非破坏性、精确和可持续的特点而闻名,被广泛用于农产品的无损检测。然而,但仍然存在检测指标单一、准确率低、系统鲁棒性差等问题。为了解决以上问题,本文以烟台红富士苹果为实验样本,以糖度、酸度和硬度为检验指标,采用可见/近红外光谱分析技术,分别从光谱采集平台的搭建、光谱数据的处理、苹果品质预测模型的构建和优化三个方面展开研究。主要研究工作如下:（1）光谱采集平台的搭建与数据处理:本文自行搭建苹果光谱的采集平台,研究了能够反映苹果糖度、酸度和硬度指标的光谱特征波段,并对苹果光谱检测的内部原理进行研究。釆用可见/近红外漫反射模式,保留的波段范围为400.42～1100.11nm的光谱中的1563个采样点。预处理环节分别比较了十种光谱预处理算法并对结果进行了可视化,再采用KS样本选择方法,并对比分析了Cars和Uve两种特征波长选择算法的原理,最后根据以上不同预处理环节选择最优光谱处理组合方法,为后续建模打下基础。（2）苹果糖度、酸度和硬度预测模型的构建:本文分别用三种定量分析方法（PLS、SVR、RF）建立了苹果糖度、酸度和硬度定量分析模型。实验结果表明对苹果D1+KS+Cars+PLS模型对苹果的三个品质特性均具有较好的拟合效果,这说明D1+Cars更适用于PLS建模,说明此方法的通用性,能够更好的提取到样品的特征信息,便于苹果品质的预测。糖度的决定系数~2R达到0.93,预测均方根误差RMSEP为0.29,平均绝对误差MAE为0.23;酸度和硬度模型的决定系数R~2、预测均方根误差RMSEP、平均绝对误差MAE分别为0.96、0.04、0.04和0.97、0.37、0.28。酸度和硬度的D1+KS+Cars+PLS模型能够更好的提取到样品的特征信息,便于苹果酸硬度的预测,具有较强的精度和稳健性。（3）基于一维卷积神经网络的苹果糖度预测优化模型:基于传统机器学习的苹果糖度预测模型性能还有待提升,为此,本章节研究了卷积神经网络基本原理,再根据所采集的苹果光谱数据特征,构建了基于一维卷积神经网络的苹果糖度预测模型。所提出的方法避免了传统的方法中的波长筛选环节,一定程度上减少了信息的丢失。实验部分验证了此糖度模型性能,同时对比了不同预处理方法下所提出糖度预测模型的性能,最后选择D1作为最优的预处理方法。相比于传统的机器学习回归模型,所提出的糖度预测模型在三个评估指标都有所提升,决定系数R~2、预测均方根误差RMSEP、平均绝对误差MAE分别从0.93、0.29、0.23提升到0.97、0.23、0.19,精度和鲁棒性均大幅提升。