近红外光谱法作为一种非接触式的无损检测方法已经成为木材含水率检测的强有力的工具。在我国的东北林区,有-20℃以下的低温以及不同季节间60℃左右的温差,这种实验研究与生产实际之间的差异严重影响了近红外光谱技术在木材生产上的广泛应用。因此本文对不同温度下木材含水率近红外光谱检测进行了探究,以下为主要研究内容:（1）探究了不同温度下木材近红外光谱的变化规律及温度变化对近红外预测木材含水率的影响。试样采用从林场采集的樟子松、水曲柳、大青杨和红松原木木块试样各75块,共计300块试样。采用单一温度下的校正集分别与各个温度下的验证集建立偏最小二乘含水率预测模型,探究温度变化对木材含水率模型预测准确性的影响。采集相同含水率下不同温度的近红外光谱数据,对光谱进行光谱平均、微分观察、主成分分析和偏最小二乘判别分析,以探究随温度变化时,木材近红外光谱变化规律。结果显示:主成分分析和判别分析表明不同温度下的样品有明显聚类趋势,温度判别准确率为96.1%。在含水率相同的情况下,随着温度的升高,特定位置吸收峰有逐渐向高频波段转移的趋势且在零下低温时波峰移动变化更明显。不同温度下的PLS含水率预测模型对温度变动的适应能力有差异,木材含水率预测模型更适应于检测与建模样本相同温度的样品。（2）为了应用近红外光谱技术实现低温状态原木含水率的无损检测,从光谱预处理的角度提高预测精度。在冬季-20℃室外温度时,从林场获取了不同含水率的水曲柳原木木块220块,分别采取了常温状态（20℃）与低温状态（-20℃）的近红外光谱。利用主成分分析比较了相同含水率情况下两种状态的差别;使用基线校正、散射校正、平滑处理和尺度缩放四大类算法的9种光谱预处理算法分别对光谱进行单一方法优化和组合优化。结果发现:低温与常温状态的平均光谱在多个吸收峰的强度和位置都有不同,前三个主成分得分图上两种状态的样本有有明显的分离;单一预处理算法优化下,移动平均平滑法、归一化、一阶导数和SNV预处理效果相对较优,RMSEP分别为0.4457、0.3994、0.4126和0.3841。将筛选出来的单一预处理算法进行组合后,组合算法均普遍优于单一算法。组合预处理算法中,SG平滑、SNV和一阶导数的组合表现最好,验证集相关系数Rp为0.9128,RMSEP降为0.1774,验证集预测精度提高了69.85%。通过对不同预处理算法进行比较、筛选、组合进行光谱优化可以显著提高低温状态含水率检测模型的精度。（3）从建模的角度进行预测模型的优化。对温度全局校正模型进行了理论推导,从预测方差角度理论上分析验证了PLS全局温度校正建模方法的有效性。结果显示:全局温度模型的精度要低于恒温状态下建模精度,但比无温度校正的状况下的方差小。结合SG平滑+1st+SNV预处理方法将不同温度下的光谱进行综合后组成温度全局校正集,建立了含水率预测温度全局模型。预测结果显示:在检测木材含水率时,与单一温度模型相比,PLS温度全局模型对于温度变化具有很好的预测效果、适应性和应用潜力,全局温度模型下的樟子松含水率预测RMSEP值在0.61到0.86之间,水曲柳在0.44到0.81之间,杨树在0.88到1.21之间,红松在0.64到0.89之间,低于大部分单一温度模型。最后选择独立试样进行了重复性检验和准确性检验。四个树种单独试样10次预测结果的标准偏差分别为0.49、0.32、0.64、0.36,说明全局温度模型的预测样品的重复性良好,独立样品的测定结果的平均相对偏差分别为1.4%、1.1%、2.6%、1.6%,与称重法所得结果之间的的差异不显著。