为了提高苹果脆片加工适宜性评价模型的准确性与适用性,本研究以来自全国7个主产区的21个主栽品种,共34份苹果鲜果及制得的脆片样本为研究对象,运用误差反向传播（Error back propagation,BP）神经网络算法构建了基于苹果原料指标预测脆片综合品质（得分或等级）的学习模型,极大提高了对模型外苹果样本脆片加工适宜性预测的准确性。在此基础上,为明确苹果脆片单一品质与相关原料特征物质的量化关系,本研究筛选出19份品质差异较大的苹果脆片的鲜果样本,运用多种线性与非线性统计分析方法锁定了影响脆片主要品质的关键果实因子,并构建了多项关联模型,从数据关联角度明确了脆片品质形成的基础物质。研究主要结论如下:（1）测定了苹果脆片包括感官、理化与营养和加工品质在内的共17项品质指标,综合因子分析、相关性分析结果,筛选出6项苹果脆片核心指标,即L*值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白。从消费者角度考虑,按照品质重要程度:色泽>质构>风味>营养,设计层次分析结构,计算得出各核心指标权重值,确定脆片综合品质评价模型为Y_综合得分=L*值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸×0.0890+可溶性糖×0.0569+粗蛋白×0.0569。进一步计算、分级得到34个脆片样本的综合品质得分与等级。（2）测定了苹果鲜果22项指标,采用相关性分析,筛选出与脆片核心指标显著相关的原料特征指标,分别为果形指数、果肉a*值、pH值、可滴定酸、Vc、果核比例、粗蛋白、果肉b*值、密度、可溶性固形物、粗纤维和总糖。筛选29份样本以鲜果特征指标为输入层,对应的苹果脆片综合得分或等级为输出层,建立BP神经网络学习模型,可实现苹果原料脆片加工适宜性的定量、定性预测;剩余5份样本作为验证样本,检验模型预测的准确率。该方法建立的学习模型有较高的预测准确性与稳定性,变换学习样本得到的3个学习模型对验证样本的预测准确率均在90%以上。（3）筛选出19份品质差异较大的苹果脆片的鲜果样本,测定了鲜果基础、单体类（单糖、有机酸、氨基酸、单酚和果胶）特征指标,运用多种关联分析方法与脆片品质（色泽、质构和风味）指标进行关联模型构建。相关性分析与逐步线性回归在0.05水平上确定了可进行关联分析的8个脆片品质指标即脆片L*值、a*值、b*值、脆度、硬度、可溶性固形物、可溶性糖和可滴定酸,同时确定各脆片品质指标的相关果实因子及其线性权重值。基于散点图拟合、回归分析、BP神经网络等多种关联分析方法构建了8个脆片品质预测模型,选用额外4个样本的数据进行验证,所构建的7个脆片品质指标预测模型预测值与实测值之间的线性相关系数超过0.88,表明筛选的果实因子合理且构建的关联模型拟合效果好,关联模型用于分析原料特征物质与脆片品质关系合理、准确、直观。