苹果树是我国主要经济作物之一。然而,由真菌苹果黑腐皮壳（valsa mali）引起的苹果树腐烂病严重威胁果树的长势和果实质量,对我国种植业造成严重的经济损失。在最初感染阶段,真菌病原体可以在受损或死亡的皮下韧皮部组织中生存半年以上而无明显症状;当出现明显症状时,便很难通过常规的处理方法来防止腐烂病在整个果园内蔓延。因此,有必要对受感染的果树进行早期病害检测以便及早进行病害防控。现有的检测诊断苹果树腐烂病方法主要是劳动密集且流程复杂的生物分子学方法,缺乏快速便捷的检测技术。为了实现苹果树腐烂病的早期快速检测,本研究以表面增强拉曼光谱技术（Surface-enhanced Raman spectroscopy,SERS）为手段,结合化学计量学方法建立苹果树腐烂病早期诊断模型,并利用显微成像技术在病害侵染早期生成韧皮部病健交界处的化学成分分布图,用以探明病菌侵染的动态发展特征。本研究为苹果树腐烂病的早期检测提供了一种行之有效的实践应用。本文的主要研究内容和结论如下:（1）制备表征了用于拉曼光谱信号增强的纳米基底,并优化了测试参数。本研究采用Lee-Meisel的经典法制备银纳米增强基底用来增强原始拉曼信号。通过使用透射电镜成像、拉曼光谱、紫外可见吸收光谱对银纳米颗粒进行表征,最终确定还原反应时间为25分钟、柠檬酸三钠质量浓度为1%的制备配方是最佳选择。此时的银纳米粒子粒径范围为60-120 nm,且呈现良好的均一性和分散性。银纳米颗粒的拉曼光谱显示出基底没有杂峰干扰。同时,寻找到最适合苹果树腐烂病SERS检测的条件及测试参数,经过优化后为:激发波长为785 nm,曝光时间为3.57 ms,激光功率为2.6 m W,扫描次数为30次。研究结果为后续研究奠定良好的基础。（2）构建了基于SERS技术的苹果树腐烂病早期诊断与分析建模。使用了多光谱基线校正算法（Multiple Spectra Baseline Correction,MSBC）、非对称最小二乘基线校正算法（Asymmetric Least Squares,As LS）和自适应迭代重加权惩罚最小二乘法（Adaptive iterative reweighted-Penalized Least Squares,air-PLS）三种算法对原始光谱进行预处理以消除荧光基线的干扰,并确认air-PLS有效性最好。主成分分析法（Principal Component Analysis,PCA）提供了一个显著的聚类效应来可视化样本的分布情况。使用算法挑选和人工挑选这两种策略选择了最优变量。利用反向传播人工神经网络（Back Propagation Neural Network,BP-NN）、极限学习机（Extreme Learning Machine,ELM）、随机森林（Random Forest）和最小二乘支持向量机（Least squares support vector machine,LS-SVM）机器学习算法结合全谱和特征波段建立判别模型,检测准确率分别为91.80%、95.39%、99.57%和98.04%。显微光谱成像结果表明苹果树腐烂病胁迫下韧皮部病健交界处的纤维素和木质素显著降低,研究结果提供了病害早期生物成分含量变化的时空动态特征。（3）运用密度泛函理论（Density functional theory,DFT）解析了拉曼光谱,指认了谱峰的归属。纤维素和木质素是植物细胞壁的最主要组成物质,也是光谱信号的最主要来源。在B3LYP/6-31++G（d,p）基组条件下,通过模拟样品拉曼光谱的振动归属来确定纤维素和木质素的拉曼特征峰。由DFT理论模拟的拉曼光谱和检测得到的拉曼光谱具有较好的匹配度。研究结果对上述诊断与分析建模提供了解析和验证。