种子的活力和生活力是大豆种子质量的主要评价指标。在播种前对大豆种子的活力和生活力进行快速、高精度的检测可以预先得知种子的发芽情况,筛选掉不发芽的大豆种子,可提高大豆的产量。传统的种子活力检测方法有酶活性测定、浸泡液电导率测定等,种子生活力检测方法有四唑测定、红墨水染色法等,这些方法耗时长、易对种子造成损害。无损检测方法是目前的研究热点,现有的无损检测方法主要有图像处理技术、近红外光谱技术和红外热成像技术,它们存在信息获取不全面、检测精度低、误差大等问题。而高光谱图像技术具有空间信息全、检测区域广、图谱合一等优点,能解决其他无损检测技术信息不全面、随机性强、检测精度低等问题。因此,本文采用高光谱图像技术对大豆种子的活力和生活力进行无损检测研究。主要研究内容及结果如下:(1)完成了实验数据的采集以及检测机理的分析。采用人工加速老化实验制备了不同活力和生活力梯度的大豆种子样本,并通过发芽实验测定了大豆种子的活力和生活力。利用可见光-近红外高光谱成像系统获取了大豆种子的高光谱图像,以整个样本区域作为感兴趣区域(ROI),并将ROI内的平均光谱作为样本的原始光谱数据。分析了不同活力和生活力水平下的大豆种子内部细胞结构、有机物含量的变化与光谱特征之间的相关性,验证了利用高光谱图像技术检测大豆种子的活力和生活力的可行性。(2)实现了基于高光谱图像技术的大豆种子活力的准确鉴别。采用多元散射校正(MSC)对光谱数据进行预处理,降低了光散射的影响。通过堆叠自动编码器(SAE)对预处理后的光谱数据进行降维处理,得到了59维的特征光谱数据。基于全光谱与SAE特征光谱数据分别建立支持向量机(SVM)种子活力鉴别模型。其中,SAE-SVM模型的性能优于基于全光谱数据建立的模型。利用鸟群算法(BSA)、鲸鱼优化算法(WOA)和蝗虫优化算法(GOA)分别对SVM模型的参数C和g进行寻优。结果表明,SAE-BSA-SVM模型效果最佳,校正集和验证集的分类准确率达到100%和98.67%。因此,利用高光谱图像技术结合SAE-BSA-SVM模型对大豆种子的活力进行准确鉴别是可行的。(3)实现了基于高光谱图像技术的大豆种子生活力的精确检测。通过MSC对光谱数据进行预处理,从而去除了基线漂移的影响。采用迭代变量子集优化(IVSO)、迭代保留信息变量(IRIV)及IRIV-IVSO算法进行特征波长的筛选。基于全光谱及IVSO、IRIV、IRIV-IVSO特征光谱数据分别建立支持向量回归(SVR)模型,对比发现IRIV-IVSO-SVR模型预测效果最好。基于IRIV-IVSO特征光谱数据,利用BSA、WOA和GOA算法分别对SVR模型进行优化。结果表明,WOA-SVR模型效果最佳,R_P~2和RMSEP分别为0.951和0.047。因此,高光谱图像技术结合IRIV-IVSO-WOA-SVR模型可实现对大豆种子生活力的高精度无损定量检测。本文利用高光谱图像技术结合化学计量学建模方法实现了对大豆种子活力的准确鉴别以及对大豆种子生活力的精确检测。本研究可以为其他种子活力和生活力检测提供参考,并为种子活力和生活力检测仪的开发提供理论依据。