青梅成分指标的无损检测是发展青梅深加工的重要环节。光谱分析技术已在农产品的无损检测中得到了广泛应用,然而当样本多、光谱波段大,使得光谱响应与检测目标值间呈非线性关系时,线性模型因自身模型结构的原因无法获得足够的预测精度。本文以青梅为研究对象,以极限学习机(ELM)和支持向量机回归(SVR)两种非线性定量分析模型为例,对基于近红外光谱图像的非线性模型的定量预测能力进行了深入研究。本文对青梅进行光谱数据的采集、酸度(pH)值的理化检测;基于全波段光谱分别建立了青梅pH值的ELM、SVR非线性和主成分回归(PCR)、偏最小二乘回归(PLS)线性预测模型。结果表明:对于原始全波段光谱,非线性模型预测精度明显优于线性模型。本文还研究了预处理和特征波长提取方法对定量预测模型预测精度的影响。分别采用多元散射校正(MSC),标准正态变换(SNV),SG5点平滑、一阶微分、二阶微分,SG7点平滑、一阶微分、二阶微分八种预处理方法对光谱数据进行预处理,基于上述线性模型和非线性模型建模。采用无信息变量消除法(UVE)和连续投影法(SPA)两种方法选择特征波长,基于PLS、ELM、SVR三种方法建模。比较研究表明:光谱预处理和特征波长提取方法可适度提高线性模型的预测精度;对于非线性模型,尽管精度略微下降,但仍高于线性模型的预测精度;特别是特征波长提取方法能够大幅简化模型,提高光谱采集速度,有效提高光谱成像系统的使用效率。本研究对于开发基于光谱成像和非线性模型的农产品品质检测系统具有指导意义。