板栗营养丰富,是重要的经济作物,霉烂、虫害等缺陷粒严重影响了板栗的整体质量。目前,对缺陷板栗的剔除主要靠人工分选,费时耗力效率低,且板栗形状组织复杂,尤其是内外部病虫害和霉变等缺陷板栗不易识别。因此寻求一种快速、准确、无损识别缺陷板栗的检测方法具有重要的科学意义和实用价值。论文以湖北京山板栗为试验材料,研究了近红外光谱分析技术与机器视觉技术的板栗分级检测方法。用近红外光谱分析技术对缺陷和合格板栗进行了分析,比较了5种光谱数据预处理方法对建模结果的影响,建立了基于近红外光谱分析技术的板栗分级检测模型；构建了板栗图像采集系统,建立了基于机器视觉技术的板栗分级检测模型；为提高识别精度,提出了近红外光谱和机器视觉的多源信息融合技术板栗分级检测新方法,建立了基于多源信息融合技术的板栗分级无损检测模型。主要研究结论如下：1.建立了基于近红外光谱分析技术的板栗分级检测模型。用主成分分析法(PCA)提取板栗光谱特征参数。以训练集中的240个板栗样本的光谱特征参数为输入,建立了基于近红外光谱和BP神经网络的板栗分级检测模型,采用测试集中80个板栗样本对模型进行验证。试验结果表明：该模型对训练集中样品的回判率为96.25%,模型对测试集中样品的识别率为86.25%。2.构建了基于机器视觉技术的板栗图像采集系统。通过MATLAB编写图像处理与分析程序,确定中值滤波为板栗图像消噪的最优方法；用边缘检测与灰度阈值分割相结合的混合分割方法实现了板栗与背景的分割；提取板栗图像的颜色特征(L*、a*、b*)、纹理特征(角二阶矩、对比度、熵、逆差矩、相关)及缺陷特征参数能有效地表征缺陷和合格板栗在色泽、纹理等特征的差异。3.采用训练集中的240个板栗样本,以主成分分析法(PCA)提取的板栗图像特征参数为输入,建立了基于机器视觉和BP神经网络的板栗分级检测模型,采用测试集中80个板栗样本对该模型进行验证。试验结果表明：模型对训练集中样品的回判率为96.67%,模型对测试集中样品的识别率为83.75%。4.运用数据融合技术对板栗分级检测方法进行研究,研究了基于近红外光谱分析与和机器视觉技术的多源信息融合板栗分级检测新方法,选取特征层信息融合方式对板栗光谱特征参数和图像特征参数进行融合,融合算法选择BP神经网络和最小二乘支持向量机的方法,分别建立BP神经网络和最小二乘支持向量机的板栗分级多源信息融合模型。采用训练集中的240个板栗样本,以主成分分析法(PCA)提取的板栗光谱和图像特征参数为输入,建立了网络结构为9-15-2的3层BP神经网络板栗分级多源信息融合模型。采用测试集中80个板栗样本对该模型进行验证。试验结果表明：通过BP神经网络建立的板栗分级多源信息融合模型对训练集中样品的回判率为97.92%；模型对测试集中样品的识别率为90%。采用训练集中的240个板栗样本,以主成分分析法(PCA)提取的板栗光谱和图像特征参数为输入,建立了基于最小二乘支持向量机的板栗分级多源信息融合模型,确定当C为5.6840,σ2为14.2486时,模型的分类性能最佳,采用测试集中80个板栗样本对该模型进行验证。试验结果表明：通过最小二乘支持向量机建立的板栗分级多源信息融合模型对训练集中样品的回判率为95.83%；模型对测试集中样品的识别率为88.75%。融合模型较单独采用机器视觉技术或近红外光谱分析技术建立模型的识别率均有明显提高,其中BP融合模型的识别精度要高于最小二乘支持向量机融合模型。