针对传统稻种发芽率检测效率低、 精度差、 专业化要求高等问题, 通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。 首先, 将连粳7号和武运粳均分别老化0~7 d后, 以5 min为间隔在纯净水中分别浸泡5~30 min。 然后用荧光光谱仪检测浸泡液的荧光光谱, 光谱数据经中心化后用集合经验模态分解(EEMD)去噪, 并通过主成分分析法提取441.5 nm的特征荧光波长。 最后, 利用偏最小二乘回归(PLSR), 反向传播神经网络(BPNN), 径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。 比较后得出, DBN模型在少数据、 弱信号情况下的预测精度最高, 预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。 同时, 通过分析混合稻种荧光数据Rp的变化趋势, 得到最佳浸泡时间为22.1 min, 实际上, 精确度超过0.95(Rp)需要5 min左右。 研究结果表明, 结合荧光光谱法和EEMD-DBN模型, 非破坏性地预测水稻种子发芽率具有可行性和高准确性, 并且适用于不同颜色和污染水平的水稻种子的检测。