近年来由于生活水平的提高,公众对健康的意识越来越强,人们越来越喜欢口感清爽、脆甜的鲜食核桃。本文以“礼品2号”青皮核桃为研究对象,基于高光谱技术建立不同成熟度核桃青皮及核桃仁的品质模型,实现对核桃青皮色差a*及核桃仁水分、脂肪的定量预测模型,并建立核桃青皮及核桃仁的成熟度定性判别模型。主要研究内容及结论如下:（1）基于高光谱技术建立不同成熟度核桃青皮色差a*的预测模型。采集不同成熟度核桃青皮的高光谱信息,使用ENVI5.1软件提取像素点大小为30*30的感兴趣区域（ROI）得到原始光谱数据,通过建立偏最小二乘（PLS）模型以评价不同预处理方法的效果。对于不同成熟度的核桃青皮色差a*的预测,原始光谱所建模型结果最好（Rc~2=0.7318,RMSEC=0.7098,Rp~2=0.7231,RMSEP=0.6928）。提取特征波长并建立模型对不同成熟度核桃青皮色差a*进行预测。结果表明,对不同成熟度核桃青皮色差a*进行预测的最优模型为RC-LS-SVM,结果为Rp~2=0.8382,RMSEP=0.5273。（2）基于高光谱技术建立不同成熟度核桃仁水分和脂肪含量的预测模型。对高光谱图像进行ROI的提取得到原始光谱数据,通过建立PLS模型以评价不同预处理方法的效果。提取特征波长并建立模型对不同成熟度核桃仁含水率和脂肪含量进行预测。结果表明,对于不同成熟度核桃仁水分含量的预测效果最好的是经过SPA提取20个特征波长建立LS-SVM模型,其RP~2=0.8817,RMSEP=0.7792。对于不同成熟度核桃仁脂肪含量的预测效果最好的是经过CARS提取18个特征波长建立LS-SVM模型,其RP~2=0.7264,RMSEP=1.0029。（3）基于高光谱技术建立核桃青皮成熟度的判别模型。基于原始光谱建立PLS和极限学习机（ELM）分类判别模型的综合识别率为94.1%和93.83%,为减少大量数据对建模速度的影响,采用SPA提取了18个特征波长,并建立对核桃青皮成熟度的分类判别模型。结果表明,SPA-ELM为最优模型,其综合识别率为97.56%。基于高光谱图像信息建立核桃青皮成熟度的判别模型。运用主成分分析法提取PC-1图像的纹理信息,提取五个纹理特征参数（能量、惯性矩、熵、相关性和逆差矩）在四个方向（0°、45°、90°、135°）上的值,利用SPA提取了10个特征参数建立模型实现核桃青皮成熟度分类判别。基于图像纹理信息对核桃青皮成熟度的判别最优模型为SPA-LS-SVM,其综合准确率为78.04%。将特征光谱、纹理特征值和色差a*融合建立核桃青皮成熟度判别模型。结果表明,将特征光谱数据与颜色特征融合的模型结果最好,识别准确率为93.9%,说明两者融合所表达信息量多,所建模效果好。（4）基于高光谱技术建立核桃仁成熟度的判别模型。全光谱数据建立PLS和ELM分类判别模型的综合识别率为97.29%和92.5%。然后采用SPA和CARS提取的特征波长建立核桃仁成熟度分类判别模型。结果表明,核桃仁成熟度判别效果最好的是SPA-PLS模型,其综合准确率为98.63%。