绿茶加工过程主要包括摊青、杀青、揉捻、干燥等工序,水分含量是设定工艺流程和工艺参数、控制原料的物理状态变化和化学反应进程的重要依据,但目前大多茶企对绿茶加工过程中水分含量的把控主要依靠经验法和水分测定仪判断水分含量,无法实现水分含量的快速、无损、准确的检测,从而导致茶叶品质不统一。若要实现绿茶加工过程中水分含量的精准测量,则需依靠烘干称重法,但是此方法耗时较长,显然无法实现快速感知的需求,难于应用于实际生产中。因此,急需一种快速、精准的无损检测方法以实现对绿茶加工过程中水分含量的检测。本文选取不同品种的茶叶样品作为实验对象,利用近红外光谱技术,并结合机器视觉技术和化学计量学方法,建立绿茶不同加工工艺下的水分含量预测和判别模型,以期为提高成品绿茶的品质,推动绿茶加工标准化和智能化发展提供理论基础。本文主要研究内容如下:（1）基于近红外光谱的绿茶摊青过程中的水分含量研究水分含量是绿茶摊青过程中的重要指标。为了实现摊青过程中含水率的快速有效检测,本文采集了绿茶摊青过程中200个近红外光谱数据。为了消除光谱内的噪声信息,采用5种不同的预处理方法,并建立偏最小二乘回归（PLSR）预测模型,从而优选出最佳预处理方法。为了减少光谱中的冗余信息,提高模型的预测精度和速度,基于最佳预处理方法提取光谱中特征波长,并建立了偏最小二乘回归和支持向量回归（SVR）预测模型,并分析基于不同特征波长筛选方法所建立的模型效果,确定了VCPA-GA+SVR作为最终的绿茶摊青水分含量预测模型。模型的校正集相关系数Rc、预测集相关系数Rp均高于95%,相对标准偏差（RPD）大于2,表明模型预测性能较好,可以实现绿茶摊青过程中的水分含量的精准预测。（2）基于多源信息融合的绿茶杀青叶水分含量预测模型建立为了实现绿茶杀青过程中水分含量的快速有效检测,利用机器视觉结合近红外光谱技术,构建了绿茶杀青过程中水分含量变化的定量预测模型。首先采集杀青过程中在制品的光谱和图像信息,然后不同变量筛选方法提取光谱中的特征波长,并融合图像中的15个色泽和纹理特征建立线性偏最小二乘回归（PLSR）和非线性支持向量回归（SVR）预测模型。结果表明,与单一数据相比,基于融合数据所建立的模型能有效的提高预测精度,其中基于竞争性自适应重加权法（CARS）算法提取光谱特征波长融合图像的15个颜色特征,并结合归一化（normalize）预处理和主成分分析法（PCA）所建立的SVR模型效果最佳,其中校正集相关系数（Rc）为0.9742,预测集相关系数（Rp）值为0.9719,相对标准偏差（RPD）值为4.1546,表明模型具有极好的预测性能。综上,本研究证明了融合光谱和图像技术对绿茶杀青过程中水分含量预测的可行性,克服了单一传感器预测精度低的问题,为实现绿茶杀青叶水分含量的快速无损检测和精准把控杀青质量奠定了理论基础。（3）基于近红外光谱的绿茶干燥程度判别模型建立。以不同干燥阶段的绿茶在制品为研究对象,建立绿茶干燥程度判别模型。根据干燥样本的水分含量将其分为3类（干燥不足、干燥适度、干燥过度）,并通过提取不同干燥程度的茶叶样品光谱吸光度值,结合4种光谱预处理方法,建立偏最小二乘线性判别（PLS-DA）模型,得出均值中心化（MC）判别效果最佳。进而采用竞争性自适应重加权法（CARS）、变量组合集群分析法（VCPA）、变量组合集群分析法结合迭代保留信息变量法（VCPA-IRIV）和变量组合集群分析法结合遗传算法（VCPA-GA）,筛选出与水分含量相关的最优特征波长,然后结合主成分分分析（PCA）,建立K-邻近算法（KNN）和极限学习机（ELM）判别模型。分析不同模型判别效果,确定了VCPA-IRIV+PCA+ELM判别效果最佳,校正集和预测集判别效果均达到100%,可以实现绿茶干燥程度的准确判别,为绿茶干燥程度在线判别设备的研制奠定了理论基础（4）基于机器视觉和近红外光谱的成品绿茶水分含量预测模型建立在绿茶加工过程中,为了使预测模型更加准确、全面的预测绿茶不同加工阶段下的水分信息,以诸叶齐茶为研究对象,采集不同加工阶段（摊青、杀青、初烘、理条、足烘）的近红外光谱数据和图像信息通过融合两个传感器的数据信息,采用竞争性自适应重加权法（CARS）提取光谱中的特征波长,结合图像的9个颜色特征和6个纹理特征,建立非线性的SVR预测模型。结果表明,基于数据融合所建立的SVR模型获得了极好的预测效果,校正集相关系数Rc值为0.9804,预测集相关系数Rp值0.977,相对标准偏差（RPD）值为4.5002。表明,基于机器视觉和近红外光谱技术的数据融合可以有效的预测绿茶从鲜叶摊青至干燥成品整个加工过程的水分含量。