近年来公共卫生事件频发,食品安全问题日益受到人们的重视,质检与溯源成为关键环节。作为主食的大米,其品质检测及产地溯源至关重要。现有的检测手段以人工判别和化学分析为主,存在着检测速度慢、精度低的问题。本课题根据高光谱图像降维及分类算法,提出一种基于高光谱图像的大米产地及品种快速无损鉴别方法,具体工作如下:（1）针对高光谱图像谱间相关性强,信息冗余严重的问题,提出了一种基于波段分组叠加的最佳指数法和一种类间可分性指数法。实验结果表明,基于波段分组叠加的最佳指数法将高光谱图像波段组合的个数缩小至不到原算法的万分之一,有效减小了最佳指数法对高光谱图像进行波段选择时的计算量。（2）针对RPNet特征提取没有考虑图像局部区域内像素点间测量值的大小关系的问题,提出了一种改进的RPNet,将RPNet和LBP相结合提取高光谱图像的空间特征。实验结果表明,采用改进的RPNet对波段选择后的图像进行空间特征提取并通过SVM进行空谱联合分类,相较改进前的RPNet联合SVM进行分类,在三个公开数据集上的OA和Kappa均提高了6%以上,在最终的CGCP Rice上OA提高了3%、Kappa提高了3.46%,CGCP Rice8和CGCP Rice6上的OA分别提高了7.97%和1.53%。（3）采用SVM或RMG算法对提取的空谱联合特征进行分类。针对RMG算法分类耗时的问题,提出了改进的RMG算法,改进RMG构建图时随机选择特征的方式,改进算法的分类精度与原算法相差不到1%,但分类花费的时间减少为原来的一半,有效提高了RMG算法的分类效率。提出的方案可以有效提高采集的大米高光谱图像的处理速度和分类精度,对于高光谱图像分类技术应用于大米及其他粮食分选任务具有重要意义,对于高光谱图像检测技术的实际应用具有一定的参考价值。