近红外光谱技术由于其快速、准确、无损、低成本等优势,被广泛应用于农产品质量检测中。近红外光谱具有敏感性强、变量数目大、冗余信息多等特点。因此选择有效的处理方法对光谱信息进行预处理,可以减少无关信息量、提高数据的有效性、降低干扰信息对后续数据分析的影响,并提高数学模型的预测能力。我国是苹果生产大国,苹果产量居世界首位,并逐年增加,而出口量却没有随之提高,出口占比远落后于欧美一些发达国家,这是由于我国苹果采后商品化处理技术落后。为提高我国苹果的市场竞争力,满足人们多元化的需求,我国应改进苹果的采后处理水平。水果品质检测是水果采后处理的关键环节,而可溶性固形物含量是反映水果品质的重要指标。因此本文以苹果为探究对象,运用近红外光谱技术检测苹果的可溶性固形物含量。本文选择红富士苹果为研究对象,以获得预测性能强的苹果可溶性定固形物含量预测模型为目的,对苹果的近红外光谱信息进行处理。主要做了以下工作:(1)对近红外光谱和可溶性固形物含量的基本原理及采集方法进行了探究,采集了440个样品的光谱数据及对应的可溶性固形物含量。(2)分别运用了小波包阈值去噪、S-G卷积平滑、多元散射校正、主成分分析-马氏距离法对光谱数据进行处理。根据处理效果,提出了小波包阈值去噪、主成分分析-马氏距离和多元散射校正结合(WPD-(PCA-MD)-MSC)对光谱进行串行处理的方法。(3)分别运用了基于小波包变换的离散度分析法、连续投影法、基于小波包分析与偏最小二乘的特征提取方法,筛选光谱特征变量。为进一步优选特征变量,本文运用蚁群算法根据预测模型的均方根误差选择了最优变量组合。(4)设计了“建模前光谱数据处理算法”及“基于可溶性固形物含量检测的苹果近红外光谱处理流程”。分别运用原始光谱数据和经“建模前光谱数据处理算法”处理后的光谱数据建立偏最小二乘预测模型。实验结果显示,与原始数据处相比,处理后的数据训练的模型相关系数(R_P)提高了0.4196,均方根误差(RMSE)降低了0.6299。运用了BP神经网络训练苹果可溶性固形物预测模型,进一步验证“建模前光谱数据处理算法”的普适性。实现了通过光谱数据处理提高模型预测能力的目的。