小麦是我国主要的粮食作物,其高质量生产不仅是人民追求美好生活的基础保障,而且对国民经济的稳步发展意义重大。优质的小麦种子是小麦生产的关键,探索一种符合实际应用的小麦种子分类方法非常重要。本文选取矮抗58、淮麦30、开麦20、中优9507、周麦28、周麦22、洛麦24、西农509、郑麦366、豫麦49共10类小麦种子为研究对象,用整齐和堆叠两种摆放方式,分别采集了种子在可见-近红外(VNIR)和近红外(NIR)波谱下的高光谱图像数据,结合光谱信息和图像信息的特点,分别建立了交叉验证(CV)-支持向量机(SVM)、Elastic Net和遗传算法(GA)-BP神经网络分类模型,进行小麦种子分类研究。本文主要研究内容有以下几方面:(1)利用采集数据中的光谱信息进行分类,通过对比小麦种子VNIR和NIR光谱信息的特点,发现VNIR平均谱线相对平滑缺少特征峰,而NIR平均谱线特征峰明显。经过分类实验对比,发现NIR下的光谱信息分类效果更好。另外,发现对光谱信息运用主成分分析(PCA)降维提取主成分作为特征的方法,更有利于分类。(2)研究了堆叠式采样数据用于分类的可行性,在SVM探究中使用堆叠式采样数据进行分类,三分类准确率平均在95%以上,四分类在87.5%左右,六分类准确率在75%。结果表明,在利用光谱信息进行分类时,堆叠式摆放采样数据可以用于分类。(3)本文重点研究了分类模型,利用NIR波段下光谱信息进行小麦种子分类,发现以PCA对光谱数据提取的主成分作为输入,建立SVM分类模型,比用Elastic Net方法的三分类、四分类、六分类和十分类准确率高。另外,同等条件下建立的GA-BP神经网络模型比SVM模型十分类准确率低。(4)深入分析了最优分类模型SVM,在模型参数确定方面,通过对比发现使用K-CV和粒子群算法进行参数寻优,分类结果基本相同。当用光谱信息特征作为模型输入时,不进行归一化效果更好。在模型迁移参数固定方面,提出了确定组间最佳参数c和g的方法,让模型具备便捷高效的迁移能力。(5)研究了融合图像特征进行十分类和亲本相近种间分类,在光谱特征信息基础上,使用Halcon软件提取了特征波段下种子图像面积、周长、长轴、短轴四个特征,作为增加特征输入SVM模型中。最终,十分类和亲本相近种子间识别率分别为90.47%和92%。