本课题以温州地区的水蜜桃为研究对象,结合近红外光谱技术和化学计量学方法对水蜜桃可溶性固形物进行定量检测分析,但单一仪器的预测结果往往不太理想。因此,为了进一步对模型优化,提高模型的准确性,又探究了将不同来源的光谱数据进行融合,主要内容和研究结论如下:第一,以采摘的温州地区的水蜜桃为实验对象,根据搭建的近红外光谱检测系统,分别采用flame-NIR光谱仪和USB2000~+光谱仪同时采集270个水蜜桃样本的近红外光谱数据。第二,分别剔除flame-NIR和USB2000~+光谱数据的异常值,之后采用多种预处理和变量选择方法建立单一仪器的水蜜桃可溶性固形物定量检测模型。其中,flame-NIR光谱数据的最佳模型GA-PLS,预测集相关系数达0.855,预测均方根误差为0.909°Brix;USB2000+光谱数据的最佳模型为经过平滑处理的全区间PLS,预测集相关系数达0.772,预测均方根误差为1.253°Brix。两种方法均实现了水蜜桃可溶性固形物的定量检测,但两者预测能力存在明显差异。第三,在两种光谱数据的基础上,利用数据融合技术分别对flame-NIR和USB2000~+两台光谱仪采集的光谱数据建立融合模型。一种是简单数据融合,最佳结果为融合模型GA-PLS,预测集相关系数达0.853,预测均方根误差为0.908°Brix,预测均方根误差相比于未融合数据的最佳模型分别减少了0.1%、34.5%。另一种是复杂的数据融合,最佳结果为融合模型CARS-PLS,预测集相关系数达0.934,预测均方根误差为0.87°Brix,预测均方根误差相比于未融合的最佳模型分别减少了3.9%、38.3%。结果表明数据融合提高了模型的可靠性,获得更好的预测结果。因此利用两种数据融合方法可以获得不同仪器更丰富的光谱信息实现对水蜜桃内部品质检测模型的优化。