随着生活水平的提高,消费者对肉类食品的购买需求不断提高,同时更注重肉类食品的品质与安全问题,而肉类新鲜度检测是肉制品加工售卖中的重要环节,这就对肉类新鲜度检测技术提出了更高要求。在羊肉新鲜度检测方面,由于传统检测技术会对肉类造成一定程度的破坏,并且随实验环境变化可能出现很多误差。但这种方法跟不上现代检测的发展要求,因此急需找到一种快速无损检测肉类的方法。本文使用光纤光谱设备获取小尾寒羊肉的光谱数据,进行光谱数据预处理、特征波长选择,建立了冷鲜羊肉新鲜度预测模型与分级模型,实现了羊肉新鲜度的无损检测。论文研究工作如下:(1)光纤光谱数据预处理。由于采集后的光谱数据存在噪声干扰与基线平移等问题,因此采用一阶导、二阶导、小波变换、标准正态、矢量归一化等方法进行了数据预处理,实验结果表明,利用小波变换进行光纤光谱数据预处理的效果最好。(2)冷鲜羊肉新鲜度预测模型的建立。首先利用全波段光谱数据,基于多元非线性回归建立了新鲜度预测模型,然后和灰色马尔科夫模型、逻辑回归模型作对比,基于pH下的均方根误差(RMSE)平均降低了 20%,相关系数(R)平均提高了 49.1%;基于连续投影的多元非线性回归算法(SPA-MNLR)建立了新鲜度预测模型,然后和竞争性自适应重加权、回归系数选择法作对比,算法首先利用连续投影算法进行特征波段选择,从中选出了具有特征信息的波段,然后用多元非线性回归进行冷鲜羊肉新鲜度的预测,实验结果表明,该方法与全波段预测方法相比提升了模型预测性能,并且R提高了 1.7%,与竞争性自适应重加权选择算法、回归系数选择算法作对比RMSE平均降低了 73.2%,R平均提高了 11.5%。(3)冷鲜羊肉新鲜度分级模型的建立。根据肉类分级标准将冷鲜羊肉分为:新鲜、次新鲜、变质。提出了 KDtree-KNN分级模型,用KDtree算法对最近邻算法(KNN)进行优化,提高了 KNN模型找寻最近邻点的搜索速度。实验结果表明,该方法分级准确率比决策树分类、KNN方法平均提高了 6.94%。