近红外光谱(Near Infrared Spectroscopy,NIRS)是一种快速无损分析技术。利用近红外通量化分选作物籽粒,有望提高农产品品质、提高作物育种效率、并推进植物表型组发展。建立一个好的单粒作物近红外校正模型需要投入较多的时间、人力和物力。然而,各种来自仪器、测量环境、以及样品方面的变化都可能影响预测结果,使得模型不再适用。所以,提高模型在不同条件下的准确性和适用性是近红外应用中亟待解决的问题。利用模型转移可以校正上述差异,使模型标准化。本论文旨在发展新的模型转移方法提高单粒作物近红外分析时模型的通用性、准确性,促进近红外在粮食生产和作物育种上的推广。主要研究结果包括:一、基于斜率截距法(Slope Bias Correction,SBC)的多种光谱平台间模型转移的评价分析。基于一种经典的、广泛使用的SBC算法,以两组形态和成分分布理想的样品(尿素颗粒、淀粉颗粒)和两组未经加工的自然状态样品(两组单粒水稻)为对象,研究它们的NIR模型在三种具有不同特点的光谱平台间的转移。结果表明,采用SBC能够准确校正理想状态样品模型在NIR平台间的转移,其转移结果(RMSEP(Root Mean Square Error of Prediction,预测均方根误差)为2.86至15.4)接近甚至优于原平台建模结果(RMSECV(Root Mean Square Errorof Cross Validation,交叉验证均方根误差)为1.49至10.8);但对单粒水稻模型在NIR平台间转移的校正效果较差。因此,需要开发新的算法校正单粒作物光谱分析时的差异,改善模型转移效果。二、提出一种优化定量模型转移的基于相关分析的波长选择方法(Correlation Analysis based Wavelength Selection,CAWS)。该方法基于相关分析评价和筛选两组仪器间响应一致且稳定的波段来改善模型的转移效果。以一组公开的玉米数据集和一组真实检测的米糠数据集为对象,在不同预处理和模型转移算法条件下,通过和其他波长选择方法的比较,介绍了该方法的使用并验证其优越性。结果表明,采用CAWS处理后的两批数据集的最优模型均比其他波长选择方法在相同条件下的RMSEP更低。其中,经过CAWS优化后的玉米模型在转移时的RMSEP为0.070,较前人报道的相同数据集的分析结果(RMSEP)更好,后者为0.1519和0.098。因此,该方法可有效提高定量模型在转移时的准确性,有望推广应用于单粒作物定量模型的转移上。三、提出一种改善定性模型转移的基于CAWS优化的的波长选择方法。此方法在CAWS算法基础上,引入马修斯相关系数(Matthews Correlation Coefficient,MCC)作为波长选择的评价标准,以达到改善定性模型转移效果的目的。通过对公开的药片数据集、真实检测的小麦籽粒和玉米籽粒数据集的光谱分析,以及不同处理下转移结果的比较,验证了该方法的优越性。CAWS优化后的药片、小麦、玉米数据集转移后的MCC值是所有处理中最高、次高和最高的,分别为0.987,0.717和1。结果表明,该方法能够有效提高单粒作物定性模型转移时的判别正确率。四、基于光谱空间转换(Spectral Space Transformation,SST)的自然状态样品和理想状态样品间的模型转移。该方法通过将具有自然状态的单粒水稻样品的光谱用SST算法转化为去除了颖壳干扰的自然状态(单粒糙米)、以及形状成分均匀一致的理想状态(米粉)的光谱,并使用相应状态样品模型(单粒糙米模型以及米粉模型)进行预测的方式,提高单粒水稻NIR分析结果的准确性。结果表明,将单粒水稻光谱转移成糙米和米粉光谱后的预测结果分别接近(RMSEP=0.480)和优于(RMSEP=0.401)直接分析单粒水稻光谱的结果(RMSEP=0.423)。因此,该方法能够一定程度校正单粒水稻理化状态差异对光谱分析的干扰,提高模型的通用性和准确性。该方法有望应用于其他单粒作物的近红外分析上。