我国是世界水果生产大国,有着丰富的水果资源。然而,我国的水果产后处理技术和再加工水平较低,水果检测和分选手段技术也相对落后,技术上的不足影响了水果的品质与销售,进而降低了我国水果在国际市场上的竞争力。近年来,近红外光谱技术凭借快速、无损、无污染等优点,被广泛应用于农产品内部品质的快速无损检测中。因此,本文以苹果为研究对象,基于近红外光谱分析技术和定量建模方法从以下四个方面研究苹果的无损检测:苹果的近红外光谱特性、可溶性固形物含量无损检测精度的影响因素、近红外光谱仪的检测参数以及可溶性固形物含量的快速无损检测数学模型创建。本文主要工作如下:（1）采用实验分析方法,研究了傅里叶近红外光谱仪分辨率、扫描次数和测样附件等仪器参数对近红外光谱响应特性以及可溶性固形物含量的影响,综合分析了扫描速度、信噪比、模型预测精度的需要,仪器参数的优化组合应为:测样模块为积分球漫反射模块,光谱仪扫描次数为64次,仪器分辨率为8cm^-1,增益大小为4,扫描点数为1557个。实验证明,匹配的参数能够满足苹果可溶性固形物含量无损检测精度的要求。（2）研究了苹果近红外光谱响应特性,不同样本出现的吸收峰位置差异性不明显;不同的光谱采集部位对光谱响应特性存在影响。其中,赤道部位不同测试点的近红外光谱不存在显著差异,建立的定量模型相关系数较高,预测均方根误差较小;果梗和果萼位置吸光度普遍偏高,建立的定量模型相关系数较小,预测误差较大;不同表面颜色的近红外光谱吸光度和可溶性固形物含量的预测影响不明显,都能较为准确的预测可溶性固形物含量。（3）结合不同的光谱预处理方法,分别建立了主成分回归,偏最小二乘、人工神经网络和支持向量机四种数学建模,分析对比了各个模型的预测精度和适用范围。实验结果表明,不同建模算法所得的预测模型预测精度有一定的差异性,偏最小二乘和BP神经网络是苹果可溶性固形物含量无损检测中较有效的方法,偏最小二乘法建立的预测模型主因子数为9时,预测相关系数和均方根误差分别为0.924和0.475,具有抗干扰和非线性能力;BP神经网络建立的预测模型主因子数为16时,预测相关系数和均方根误差分别为0.935和0.474;研究了支持向量机在苹果分级中的应用,利用粒子群优化算法对径向基核函数的参数进行优化后,分类正确率达到92.3%。数学模型预测精度总体上来说较为满意,说明苹果近红外光谱与可溶性固形物含量之间存在较好的相关性。