针对目前库尔勒香梨品质在线分级检测系统存在价格昂贵、 结构复杂等问题, 设计了库勒尔香梨内部品质在线无损检测分级系统。 基于该系统研究了不同移动速度(0.3和0.5 m·s-1)对库尔勒香梨的可溶性固形物含量(solid soluble contents, SSC)和硬度在线预测模型的影响。 不同移动速度下, 采集样品相同部位的信息, 所采集光谱存在差异。 由于采集的光谱存在差异性, 采用SG-平滑(Savitzky-Golay smooth)、 SG卷积导数、 多元散射校正(MSC)、 标准正态能量变换(SNV)、 归一化(Normalization)等多种光谱预处理方法进行处理, 基于偏最小二乘法(partial least squares, PLS), 建立移动速度为0.3 m·s-1 (S1)和0.5 m·s-1 (S2)下库尔勒香梨的SSC和硬度模型。 结果表明: 移动速度为0.5 m·s-1下, 采用SG-DER(Savitzky-Golay Derivative)处理光谱图建立SSC模型优于0.3 m·s-1, 其预测集相关系数和预测均方根误差为0.880 2和0.391 5°Bri。 而在移动速度为0.3 m·s-1下的结果, 采用SGS(Savitzky-Golay smooth)处理光谱图建立的SSC模型优于0.5 m·s-1下的结果, 其预测集相关系数和预测均方根误差分别为0.820 2和0.470 8 N。 后建立两个速度混合模型, 采用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)筛选特征变量, 后采用PLS, 建立混合速度下硬度和SSC预测模型。 从建模效果来看SPA和CARS都可以有效减少建模所用变量数、 提高库尔勒香梨在线SSC和硬度检测模型的预测能力和运算速度, 增强模型的稳健性等。 采用CARS方法, 从501个光谱中筛选出24个变量, 建立了CARS-PLS模型, 建立的SSC模型较好, 其预测集相关系数和预测均方根误差分别为0.915 0和0.371 9°Bri。 采用SPA方法, 从501个光谱中筛选出32个变量, 建立硬度模型较好, 其预测集相关系数和预测均方根误差分别为0.821 0和0.492 0 N。 混合速度建立预测品质模型比单一速度建立模型稳健一些。 研究表明: 不同移动速度对建立果品品质预测模型产生不同影响, 该研究有助于果品品质在线分选提供技术支持。