高光谱散射技术因其同时包含光谱和空间波段信息以及图像信息,而在农副产品、食品品质的快速无损检测中表现出优异的性能。光谱曲线中所携带的吸收和散射信息可用来反映物质内部吸收和散射能力的强弱,其中,吸收信息主要与组织内部的化学成分有关,而散射信息则受组织的物理特性,如密度,颗粒度,结构等影响。根据获得的这些携带和反映组织内部的光谱信息,就可以为农产品或食品内部品质属性的无损检测提供了可能。同时,颗粒度作为面粉品质指标之一,对面粉品质分级具有重要指导意义。而面粉具有一定的流动特性,面粉的密度作为很重要的物性参数之一对面粉的流动性影响巨大,故研究面粉的堆密度和颗粒度,对面粉加工、输送、包装、存储等方面都具有重要意义。以往对堆密度和颗粒度的检测费时耗力,且不全面,故本文结合了高光谱散射技术的优点,重点研究了高光谱散射图像的特征提取方法并用于面粉堆密度的预测以及颗粒度大小的分类。论文主要研究如下:1.将高光谱散射图像的均值光谱法用于面粉堆密度的预测以及颗粒度大小的分类。实验采集了高光谱散射图像在500~1000 nm波段下散射轮廓,并提取了每一波段下的均值光谱特征,均值特征结合偏最小二乘算法(PLS)对面粉的堆密度进行了预测;结合偏最小二乘判别分析算法(PLSDA)对颗粒度大小进行了分类。实验还同可见/短波近红外光谱法(Vis/SWNIR)进行了对比;结果显示,均值光谱法在面粉品质检测中表现优异,此外,相对于可见/短波近红外光谱法(Vis/SWNIR),高光谱散射技术能同时对面粉的堆密度和颗粒度进行检测。2.为进一步提高模型精度以及利用散射曲线的形状特性,研究了基于小波变换-Volterra系数的特征提取算法,与此同时,特征结合不同的建模算法对面粉的堆密度以及颗粒度进行了实验研究。此外,为验证算法的优越性,实验还与单一的小波变换法、Volterra系数法以及均值光谱法进行了对比分析。研究结果表明,小波变换-Volterra特征提取算法在堆密度的预测模型中相较于均值光谱法、小波变换法以及Volterra系数法,预测精度都有较大程度的提高,模型稳健性更强;但相较于颗粒度大小的分类模型,基于小波变换-Volterra系数的特征提取方法在预测模型中表现更突出,更具区分性。3.为利用高光谱散射图像自身的图像信息,通过在光谱信息中融入图像信息研究了基于NMF+小波变换-Volterra的特征提取方法,并用于面粉堆密度的预测以及颗粒度大小的分类。研究结果显示,在堆密度的预测模型中,相较于小波变换-Volterra算法、广义高斯分布法和四参数洛伦兹法,NMF+小波变换-Volterra算法表现更为优异,预测或分类精度都得到了提高,与此同时,模型泛化能力得到了大幅度的提升;但相对于颗粒度大小的分类模型,NMF+小波变换-Volterra算法在预测模型中表现更佳。本文的研究结果不仅丰富了高光谱散射图像的特征提取算法,而且对粉体材料物理特性的研究提供了新的思想。