利用近红外光谱技术结合组合区间偏最小二乘（SiPLS）、竞争性自适应重加权（CARS）、连续投影算法（SPA）、无信息变量消除（UVE）特征提取方法，运用深度信念网络（DBN）建立蓝莓糖度的通用检测模型，实现蓝莓糖度在线无损快速检测。采集了“蓝丰”和“瑞卡”共280个蓝莓样本的近红外光谱，采用手持折光仪测定其糖度；首先利用联合X-Y的异常样本识别方法（ODXY）检测到蓝丰和瑞卡蓝莓分别有2个和4个样本呈现异常，剔除该6个异常样本，对其余274个样本利用光谱-理化值共生距离算法（SPXY）以3∶1的比例划分出训练集和测试集；其次，对比分析卷积平滑（S-G平滑）、中心化、多元散射校正等预处理对蓝莓原始光谱的改善效果，运用SiPLS对光谱降维，筛选特征波段，利用CARS, UVE和SPA方法对特征波段进行二次筛选，以最优的特征波长建立DBN和偏最小二乘回归（PLSR）模型。结果表明，蓝莓糖度近红外检测模型的最优预处理方法为S-G平滑，SiPLS方法挑选的蓝莓糖度最优波段为593～765和1 458～1 630 nm, UVE算法从SiPLS筛选的346个变量中优选出159个最佳波长。建立蓝莓糖度DBN模型时，分析了不同隐含层数对检测模型的影响，并以交互验证均方根误差（RMSECV）作为适应度函数，利用粒子群算法（PSO）对各隐含层神经元个数在[1, 100]之间寻优，发现隐含层为3层且隐含层节点数为67-43-25时，DBN模型的RMSECV达到最小，为0.397 7。无论是以全光谱还是特征波长建模，蓝莓糖度近红外DBN模型均优于常规PLSR方法；尤其以UVE方法二次筛选的特征波长建立的模型大大减少了建模变量，且模型精度更高，蓝莓糖度最优的PLSR模型测试集相关系数（RP）为0.887 5,均方根误差（RMSEP）为0.395 9,最优DBN模型RP为0.954 2, RMSEP为0.310 5。研究表明，利用SiPLS-UVE进行特征提取，结合深度信念网络方法建立的蓝莓糖度检测模型可以更好地完成蓝莓糖度在线精准分析，该方法有望应用于蓝莓及其他果蔬内部品质检测。