模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程。自20世纪40年代随着电子计算机发明,模式识别已被用于食品工业、生物技术、能源加工、医药诊断、环境检测、污染治理等多个领域。目前,数字图像处理、光谱分析与高光谱成像等技术被广泛用于被检物品质信息的快速无损获取。随着仪器制造工艺的不断进步,数字图像、光谱和高光谱图像等各类数据的采集技术逐渐成熟,并广泛应用于各个领域,数据的数量和复杂程度日益增加,分析理解这些海量高维数据面临着巨大的挑战。因此需要从数据中挖掘特征信息用于决策模型的建立。本研究采用图像处理与光谱分析技术开展了一维光谱信息、二维图像信息以及三维高光谱图像信息的数据挖掘以及模型建立方法研究。具体主要内容有：(1)开展了采用半监督学习算法的一维光谱信息特征提取方法研究,并以石油为实验对象,提出了石油中的十六烷值和总芳烃值的快速无损检测方法。拉普拉斯正则化最小二乘法(Laplacian regularized least squares, LapRLS)则是一种半监督学习方法,它不仅利用了标记的样本信息,还利用了未标记的样本信息。本文利用LapRLS建立近红外光谱与石油成分中的十六烷值和总芳烃值的数量关系。按不同比例,将381个不同品质的石油样本被分成训练集(标记样本)和预测集(未标记样本)。结合光谱分析技术,利用LapRLS、LS-SVM和PLS算法分别建立了石油的十六烷值和总芳烃值预测模型,发现LaRLS获得最好的预测效果(十六烷值模型的RMSEP值为2.330；总芳烃值模型的RMSEP值为1.308)。上述研究结果表明LapRLS能有效的利用未标记的光谱信息对石油的化学成分进行准确预测。(2)开展了基于图像处理技术的二维图像中颜色特征提取方法研究,并以提子为实验对象,提出了其pH值和干物质含量(soluble solids content, SSC)的快速无损检测方法。分别从提子图像RGB、HIS、YIQ、YCbCr和HSV颜色空间的三个颜色通道图像中提取像素灰度值的均值和方差作为颜色特征,则共获取120个颜色特征。基于颜色特征,利用最小二乘支持向量机(least squares support vector machine, LS-SVM)(?)建立提子pH值和干物质含量(SSC)检测模型。结果显示基于不同特征集,pH模型的预测相关系数为0.870-0.886,SSC模型的预测相关系数为0.695-0.727。其中基于颜色特征(YCbCr空间的Y通道图像的方差,Y/Cb通道图像的均值)的pH模型获得最好预测效果；基于颜色特征(HSV颜色空间的V/S通道图像的均值,YCbCr颜色空间的Cb通道图像的均值)的SSC模型获得最好预测效果。pH和SSC模型的最低RMSEP值分别为0.0611和0.737。研究结果表明通过提取图像颜色特征能够应用于提子pH值和SSC值快速无损检测。(3)开展了采用图像处理技术提取高维图像特征的葡萄干种类的快速无损检测方法研究。从葡萄干图像中提取了74个图像特征(包括8个形态特征、30个颜色特征、36个纹理特征)。分别基于单独的图像特征(形态、颜色、纹理)、两两特征结合的特征集(形态与颜色、形态与纹理、颜色与纹理)、以及三个特征结合的特征集(形态、颜色和纹理)建立检测模型。利用四种分类器：偏最小二乘法(partial least squares, PLS),线性判别分析(linear discriminant analysis, LDA),相似分析方法(Soft Independent Modeling of Class Analogy, SIMCA),最小二乘支持向量机(least squares support vector machine, LS-SVM)对不同的特征模型进行评估。发现基于三个特征结合的图像特征集的LDA模型获得最高的准确率(99%),优于基于单独的图像特征或两两结合的图像特征集的检测结果。结果表明通过挖掘RGB图像中检测对象的形态、颜色和纹理的图像特征信息,可以实现葡萄干品质的准确分类,相关特征信息的综合应用能够提高葡萄干品质分类的准确度。(4)开展了基于结合图像处理与光谱分析技术的三维高光谱图像特征挖掘方法研究,并以牛肉为实验对象,提出了牛肉含水率快速无损预测算法。首先分别采用ENVI手动提取方法,Matlab目标分割程序从牛肉高光谱图像中获取牛肉可见光谱和近红外光谱数据,并比较发现基于Matlab的图像处理技术的光谱提取方法具有高效、批量、快速优点。再基于通过图像处理技术获得的红外光谱,利用最小二乘支持向量机(LS-SVM)偏最小二乘法(PLS)分别建立牛肉含水率预测模型,比较预测结果发现最小二乘支持向量机(LS-SVM)(?)(?)更有效的挖掘光谱数据中的信息,具有相对好的预测效果。由于光谱数据包含了许多无效的信息,因此利用连续投影算法(SPA),无信息删除法(UVE)和基于无信息删除法的连续投影法(UVE-SPA)三种算法分别对牛肉的可见光谱和近红外光谱数据进行特性选取,再利用LS-SVM建立预测模型。结果显示对于可见-近红外(VIS-NIR)(?)光谱数据,基于无信息删除法-连续投影法(UVE-SPA)不管从降维还是提高算法准确度来说,都是三个算法中最适合的。最后利用最小二乘支持向量机集合UVE-SPA算法对牛肉样本每个部分含水率进行预测,并通过图像处理技术将预测结果可视化。