水稻种子的品质优劣和真实性直接关系到后续水稻生长、加工及产量。近几年来,随着高光谱图像技术快速发展,将其运用到水稻的品质检测和品种分类,具有科学快速、无损、精度高等特点。实验选取安徽农业大学试验地种植的杂交水稻:农华优808、籼稻、宣两优、冈优364、香粳糯、两优608、天优998共七种水稻作为研究对象,实现基于高光谱图像技术对水稻品种鉴别分类。实验证明了所提取的水稻高光谱数据和水稻种子图像多特征实现对水稻品种无损鉴别分类的可行性,在一定程度上两者起到互补作用。本文主要研究内容如下:(1)本研究采集7类品种水稻各100粒908-1735nm波段范围内高光谱图像,通过ENVI软件提取水稻高光谱图像反射信息代表样本特征,包括了反射光谱均值和反射光谱标准差,同时提取了水稻光谱图像种子特征信息代表样本特征,优选出5个形态特征参数(周长、面积、矩形度、圆形度、伸长度)和5个0°、45°、90°、135°四个方向上纹理特征参数(能量、熵、对比度、局部平稳性、相关性)。(2)对水稻样本高光谱图像采用了黑白板校正和自适应滤波预处理去噪,对提取的反射光谱均值和反射光谱标准差采用了 SG、SNV和MSC三种数据校正预处理。以高光谱数据作为模型输入时,构建了 PSO-PNN神经网络鉴别模型和随机森林组合分类器鉴别模型,对比分析了不同高光谱数据预处理方式对鉴别结果准确率的影响。(3)对经过多元散射校正过的光谱数据采用连续投影算法选出7个特征波段,提取了特征波段下水稻光谱图像的形态特征和纹理特征。将形态特征和纹理特征一起结合到反射光谱均值和反射光谱标准差,分别构建了 BP神经网络模型、SVM判别模型、CS-SVM判别模型,比较分析水稻光谱信息和图像特征信息结合对各模型鉴别结果准确率的影响。本文主要研究结论如下:(1)以水稻光谱信息能够实现对水稻品种的鉴别,采用不同光谱数据预处理方法在鉴别模型精度上存在着差异性。将反射光谱均值、反射光谱标准差以及二者融合数据作为PSO-PNN神经网络鉴别模型和随机森林组合分类器模型输入,其鉴别分类结果均能取得较好的精度,训练集准确率均在92%以上,测试集准确率均能达到82%以上。在同种模型同种输入条件下,三种光谱数据预处理方法产生的实验结果也存在差异,发现多元散射校正方式处理过的数据在本实验选择的鉴别模型中分类精度比其他两种方式要高,标准正态变量变换处理次之,平滑处理结果最差。同时发现经过多元散射校正处理后的反射光谱均值和反射光谱标准差融合作为模型输入时,PSO-PNN神经网络分类鉴别模型在水稻种类鉴别中准确率达到最高,训练集准确率为99.05%,测试集准确率为97.14%。(2)以水稻光谱信息和图像特征结合能够实现对水稻品种的鉴别,通过实验采用的方法提取特征波长下光谱图像中水稻种子多特征信息,融合水稻光谱特征信息,构建了四种分类模型。结果表明:三种鉴别模型中采用布谷鸟搜索算法优化SVM建立的分类模型较SVM模型的准确性要高,侧面反映了采用优化算法能有效的提高鉴别分类的精度;三种鉴别模型中CS-SVM模型的识别准确率最高,训练集准确率为98.29%,测试集准确率为95.43%,也较为稳定,可用于水稻品种的鉴别研究。