种子作为植物和作物生产的主要投入,具有巨大的生物和经济意义,受到农民、生产者、种子经营企业、种子质量监督检验站以及种子管理部门的高度关注。种子质量与人民的健康以及生活水平息息相关,在一定程度上决定了农业发展的水平。传统方法难以满足现代农林业的批量种子品质检测要求。种子品种、活力和含水率都是种子品质的重要指标。本文基于高光谱技术,以玉米和大豆种子为研究对象,从品种、活力和含水率三个方面开展了种子品质检测方法研究,其主要研究内容如下:首先,建立了不同品种、不同活力和不同含水率种子的高光谱数据库。在品种识别实验中,样本选取外观相似,肉眼难以识别的10种玉米种子、5种大豆种子;在研究种子活力和种子含水率时,样本仍然选择玉米和大豆种子。在种子活力检测实验中,对两种种子分别使用不同的温度和时间进行人工老化,并通过标准发芽试验验证种子活力等级。在种子含水率实验中,设计了10个梯度的吸水试验。获得样本后,进行了高光谱图像采集系统搭建,采集了所有种子的光谱数据（370～1042nm）,建立了样本的光谱数据库和图像信息,为后续理论分析与算法研究提供了数据支持。其次,利用高光谱技术,提出了一种基于Bagging集成学习的种子品种识别方法。通过对不同品种种子的光谱数据进行研究,对比分析了光谱反射率曲线出现差异的原因。获得样本光谱数据后,进行了数据校正,再分别进行了MSC、SG和SNV预处理,采用PCA、SPA等方式提取了特征波段,最后基于ELM、KNN、SVM、DT以及Bagging分别建立了玉米、大豆种子的品种识别模型,比较了不同预处理以及特征降维下模型的识别结果。基于全谱段+MSC+SVM模型,在玉米种子的训练集和测试集上,准确率分别为99.44%和98.33%;对于大豆种子,分别为94.38%和89.11%。DT法和Bagging法对两类种子的训练集和测试集的准确率均在98.75%以上。然后,利用高光谱技术,提出了一种基于Bagging集成学习的种子活力检测方法。通过研究不同活力等级种子的光谱数据,对比分析了光谱反射率曲线出现差异的原因。获得样本光谱数据后,进行了数据校正,再进行了数据预处理和特征降维,最后基于ELM、KNN、SVM、DT以及Bagging分别建立了种子的活力检测模型,对比了不同预处理以及降维方法下模型的检测结果。基于全谱段的SVM模型对玉米种子活力检测的训练集和测试集准确率分别为100%和98.61%,对大豆种子准确率均为100%,均优于ELM和KNN模型。DT和Bagging模型在种子活力检测中准确率均为100%。最后,利用高光谱技术,实现了基于最小二乘判别分析的种子含水率检测方法。对不同含水率种子的光谱数据进行研究,对比分析了光谱反射率曲线出现差异的原因。获得样本光谱数据后,进行数据校正,再对原始光谱进行了数据预处理,再利用相关系数法、UVE法和CARS法进行了特征波长提取,建立了偏最小二乘检测模型,并比较了不同预处理以及特征降维下模型的检测结果。对于玉米种子,基于SNV建立的偏最小二乘模型精度和误差最理想。校正集和验证集相关系数分别为0.880和0.855,校正集均方根误差为2.18%和验证集均方根误差为2.44%。CARS法能够实现误差的最大程度收敛。基于25个波长建立的水分检测模型验证集相关系数为0.915,验证集均方根误差为2.29%。对于大豆种子,SG平滑结合一阶微分预处理后的光谱获得了鲁棒性最佳的模型。模型的校正集相关系数为0.946和验证集相关系数为0.941。校正集和验证集均方根误差分别为1.435%和1.473%。CARS法筛选了27个特征波长,建立了大豆含水率定量检测模型,获得了校正集相关系数为0.9719,校正集均方根误差为1.045%,验证集相关系数为0.9621,验证集均方根误差为1.174%的结果。本研究的方法与得到的结论对种子品质的快速无损检测具有重要意义,也可对其它作物种子品质快速无损检测提供参考。