随着科学的进步,人们思想观念的转变,人们越来越注重养生。作为素有“万岁子”、“长寿果”美誉的核桃,备受人们青睐。近年来,鲜食核桃因具有更高的营养价值及特有的口感,销售量逐年上升。本文以“礼品2号”青皮核桃为研究对象,基于可见/近红外光谱、计算机视觉技术,建立青皮核桃货架期品质检测模型并对货架期进行定性判别,实现对青皮核桃外部青皮及内部核桃仁水分、色泽、纹理、颜色的有效检测。为建立青皮核桃在线监测平台提供一定的理论基础。主要研究内容以及主要结论如下:（1）基于可见/近红外光谱对核桃青皮含水率、色泽进行预测分析。对光谱信息进行不同预处理,建模比较发现,对于青皮含水率,移动平滑（Moving Average）为最佳预处理方法Rc2为0.9365,RMSEC为0.0118,Rp2为0.9323,RMSEP为0.0116。而对于色泽变化,基线校正（Baseline）处理后建模效果最优。对于L*、a*、b*、ΔE四个色泽参数其Rp2分别为0.8382、0.7887、0.7854、0.8182,RMSEP分别为1.7246、0.8308、1.7888、1.4458。青皮含水率的检测提取特征波长后,建模发现基于竞争性自适应重加权算法（Competition Adaptive Reweighted Sampling,CARS）的模型优于基于回归系数（Regression Coefficien,RC）模型,而两者融合RC+CARS所建的模型效果更佳,其Rc2为0.9204,RMSEC为0.0132。对于青皮色泽变化,经RC提取特征波长后,建模精度较全波段（Full Spectrum,FS）有所降低但均无太大变化。四个参数中L*和ΔE的建模效果相对较好,FS建模精度Rp2分别为0.8382、0.8182,RMSEP分别为1.7246、1.4458。（2）基于可见/近红外光谱对核桃仁含水率、色泽进行预测分析。对光谱信息进行不同的预处理,建模比较发现,对核桃仁含水率,一阶导数（1-Der）为最佳预处理方法,建模精度较好,Rc2为0.8178,RMSEC为0.0187,Rp2为0.8002,RMSEP为0.0189。而对于色泽变化L*、b*原始光谱建模效果最好Rp2分别为0.7149、0.4969,RMSEP分别为2.9813、2.7516。a*、ΔE则为Baseline处理后建模效果最优Rp2分别为0.7204、0.6849,RMSEP分别为0.4749、2.3841。核桃仁含水率的检测提取特征波长后,建模发现基于CARS算法的模型优于基于随机蛙跳（Random Frog,RF）算法的模型,基于CARS的建模结果为最佳,其预测模型Rp2为0.7800,RMSEP为0.0205。对核桃仁色泽变化,经RC提取特征波长后,建模发现,FS建模为最佳,基于FS对L*、a*、b*、ΔE四个色泽指标的建模的结果Rp2分别为0.7149、0.7204、0.4969、0.6849,RMSEP分别为2.9813、0.4749、2.7516、2.3841。（3）基于图像信息对青皮核桃货架期进行判别。提取纹理特征能量、熵、惯性矩、相关性、逆差距五个特征参数在四个方向（0°、45°、90°、135°）上的值共20个参数对外部青皮货架期进行判别,优选特征参数并建立最小二乘支持向量机（LS-SVM）后发现,基于CARS-LS-SVM建立的判别模型最好,其对1、5、9天的判别准确率均达100%,对于13、17天识别率较低。采用颜色特征RGB、HIS模型提取颜色特征对核桃仁货架期进行判别,建立LS-SVM货架期判别模型,结果表明基于颜色特征的LS-SVM判别模型能较好地货架期进行判别。对1、5、9天的判别准确率均达100%,对于13、17天的判别结果相对较差。（4）对核桃青皮的含水率与核桃仁含水率、青皮色泽与核桃仁色泽进行相关性分析,结果表明两者在0.01水平均显著相关。建模发现,对核桃仁含水率建模效果较好,预测集相关系数为0.9515,RMSEP为0.0129。