牛肉具备较高的营养和食用价值广受大众欢迎。人们在日益提高的物质生活水平条件下,对牛肉的品质和食用种类方面要求越来越高。正常的牛肉是经过屠宰后,经48小时的冷藏后供人们食用。期间,经过多种加工方法和运输途径后,牛肉在各种物理和化学作用下发生变化从而使品质受到影响。通常情况下,人们无法用肉眼直接辨别牛肉品质的好坏,而传统检测方法效率和准确性不高。本论文研究利用高光谱图像技术对牛肉品质进行预测,为农产品无损检测提供理论基础。研究的主要内容如下:探讨高光谱图像技术基于光谱特征对牛肉含水率进行了预测。通过自动对牛肉高光谱图像的分割,提取光谱数据。对牛肉的光谱信息采用不同的预处理方法,通过连续投影法和主成分分析法进行特征变量选择,采用偏最小二乘模型,实现对牛肉含水率预测。对比各方法的匹配后的模型预测结果,得出在变量标准化预处理后,经主成分分析提取特征波长下的偏最小二乘预测模型结果最佳,校正集决定系数为0.93,均方根误差为4.973,预测集决定系数为0.92,均方根误差为5.868,最适合预测牛肉的含水率。探讨高光谱图像技术基于光谱特征对牛肉蛋白质含量进行预测。自动分割牛肉高光谱图像后,将获取的光谱数据,经过不同预处理方法处理光谱数据后利用主成分分析方法选择特征变量后,采用偏最小二乘模型。结果表明,经变量标准化预处理光谱数据后得到的模型性能最好。校正集决定系数为0.94,均方根误差为3.137,预测集决定系数为0.93,均方根误差为5.298,实现了对牛肉蛋白质含量的预测。利用图像纹理特征对牛肉含水率和蛋白质含量进行预测。采集牛肉样本在400-1000nm波段的高光谱图像数据,通过主成分分析法,分别得到6个和3个特征波长。在特征波长图像中分别提取基于灰度共生矩阵的能量、熵、惯性矩和相关性4个纹理特征参数。利用主成分分析法进行二次降维重新确定变量,应用BP神经网络方法建立牛肉含水率和蛋白质识别模型。