社会各领域产品品质对其生产、加工、消费和出口等都具有重大影响。传统的专家评价、理化实验等质量检测方法耗时长、效率低、具有破坏性,不适用于大规模的生产。因此,快速、精准、无损地对产品内、外品质进行定性和定量研究成为科研领域的热门发展趋势。本文主要研究了高光谱成像技术及其数据处理方法并将其应用到产品品质的定性、定量分析中。首先,研究数据处理方法的理论知识,构建了系列有效的高光谱数据处理方法与模型。通过分析不同特性的高光谱数据噪声、偏移等干扰信息,利用多元散射校正和卷积平滑方法进行光谱校正。针对高光谱数据维数大,相关性强的问题归纳了多种特征变量优化方法,实现对光谱数据的压缩。对多元统计方法的原理和适用特点进行总结分析,并将其引入到高光谱分析辨识的过程中来,以满足对不同领域不同对象的应用需求。其次,利用高光谱成像技术结合上述理论研究对在外形、内部特性和样本数量有明显区别的两种样本(小麦籽粒和石蜡)进行无损定性分析。针对石蜡样本,分别利用遗传算法偏最小二乘(GA-PLS)的特征选择方法和主成分分析(PCA)的特征提取方法对数据进行降维,研究光谱数据降维方法对模型识别准确率的影响。对比分析了基于支持向量机(SVM)、概率神经网络(PNN)和极限学习机(ELM)识别模型对石蜡等级的定性分析结果,其中,利用PCA进行数据降维并构建的ELM模型对石蜡等级检测效果最佳,准确率达到91.7%。针对常规数据处理方法对颗粒状、高相似度小麦种子辨识效果差的问题,提出新的特征挖掘与优化方法,实验发现该方法可以充分挖掘高光谱数据的有效特征,提高识别精确度。最后,利用高光谱分析方法对样品(苹果)进行无损定量分析,实验考虑到苹果高光谱数据各波段间的非特异性、交互敏感性和影响苹果味觉信息成分的复杂性导致建立关联模型时高光谱的特征波长筛选困难,检测效果不佳的问题。通过分析数据特点,提出利用竞争性自适应重加权方法(CARS)从高光谱数据中剔除冗余信息,优选出酸味对应的43个特征波长和甜味对应的22个特征波长。建立由粒子群优化的支持向量回归模型(PSO-SVR)。结果表明该技术能实现苹果酸味、甜味信息的定量预测,其中酸味和甜味的相关系数(R~2)分别为0.81、0.887,预测均方根误差(RMSEP)分别为0.03、0.018。综上,本文利用高光谱成像技术结合实际应用,针对不同样本不同的光谱数据特点提出具有针对性的技术手段,实现了对产品品质的无损定性、定量分析。