琯溪蜜柚属于亚热带常绿乔木果树,是福建省特有的柚类优良品种,其果大汁多可口,耐储便运。然而蜜柚果实易在成熟和贮藏过程中出现汁胞粒化的现象,导致水分下降、果肉坚硬、风味变淡,影响其市场价值和消费感受。目前汁胞粒化原因尚未明确,检测手段缺乏,其皮较厚又增大了检测难度,传统粒化率以人工为主缺乏客观性且无法实现无损检测。为此本文提出基于高光谱成像技术结合深度学习算法对蜜柚汁胞粒化及多种内部品质进行快速无损检测,主要研究内容和结论如下:（1）针对传统人工计算导致粒化标签主观性强这一缺点,采用对水分信息敏感的磁共振成像技术获取水果内部图像,通过边缘提取算法结合形态学图像处理得到完整果肉掩膜,对掩膜内果肉图像使用大津算法将果肉分为含水率较高果肉与含水率较低两类以计算粒化率,获得标准统一的粒化率值。对比传统人工破皮统计方法,提高了实验结果的客观性。（2）本文使用了深度学习中的Shuffle Net结构构建光谱网络shuffle＿spec。该模型将不同的波段分为多个块,为不同的块计算各自的权重优选出高影响力波段,结合已有官能团研究分析原因;分析该降维模型是否能同时提升模型的解释性及准确率,对比了两种传统的降维回归算法偏最小二乘回归（Partial Least Square Regression,PLSR）、主成分回归（Principal component regression,PCR）;其中深度学习模型分别使用原始标签与标准化标签进行训练,shuffle＿spec获得粒化率预测最好结果在训练集与验证集相关系数分别达到0.820 5,0.799 2,RMSEC（Root Mean Squart Error Calibration）与RMSEP（Root Mean Squart Error Prediction）分别为3.55%、3.20%。（3）为进一步探索粒化率与其他内部品质是否有直接关系,在粒化模型shuffle＿spec基础上使用迁移学习原理构建多输出模型拟实现一种能实现多种内部品质同时预测的高性能模型。其结果发现粒化模型的潜码在多输出模型中能对糖度实现预测,但酸度和含水率效果不好。在各成分的独立预测模型中均由shuffle＿spec获得最佳结果,糖度在训练集与验证集预测相关系数分别达到了0.832 6,0.812 8,RMSEC与RMSEP分别为0.40 Brixo、0.42 Brixo。而在酸度、含水率预测的预测集相关系数仅达到0.562 6,0.434 1,RMSEP为0.08%,0.82%。