小麦作为重要的粮食作物,富含一些日常人体所需的营养元素,可加工成人们日常所需的食用品如面包、面条、饼干等。小麦水分与蛋白质含量是评估小麦品质的重要指标,无损快速检测小麦成分含量的方法,对于小麦等农业作物的检验与加工具有重要意义。目前对于近红外无损检测技术多以一次建模为基础,虽然建模方法简单,但由于“小样本,多变量”,使得相关的预测结果并不准确,阻碍该技术进一步发展及应用的关键问题就是预测模型的精度和稳定性。本文基于此背景开展小麦品质的近红外光谱分析方法研究,主要研究内容如下:首先,收集全国范围内不同地区的小麦样本,分别测试样本水分、蛋白质的化学值,同时运用光纤光谱仪采集小麦样本近红外光谱数据。其次基于归一化和异常样本诊断与剔除方法对原始小麦的NIR数据进行预处理,优化小麦样本光谱数据。最后基于模型集群分析(MPA)思想,结合引导软阈值算法(BOSS)、竞争性自适应重加权采样法(CARS)、自加权变量组合集群分析法(AWVCPA)、迭代保留信息变量法(IRIV)、蒙特卡罗变量组合集群分析法(MCVCPA)、变量组合集群分析法(VCPA)、变量组合集群分析迭代保留信息变量法(VCPA-IRIV)对小麦近红外光谱进行特征变量提取,并建立小麦蛋白质与水分含量的预测模型。结果表明:与全光谱预测模型相比,通过BOSS算法选择的特征变量建立的预测模型,可以将小麦水分含量预测中的预测均方根误差(RMSEP)从0.4717下降到0.2072;小麦蛋白质含量预测中的预测均方根误差RMSEP从0.4936下降到0.2105,预测精度分别提高了56%和57.3%。极大程度简化了模型,提高了模型预测能力。