豆粕是大豆浸提取豆油后经适当干燥和热处理所得副产品, 是制作禽畜类饲料的主要原料, 其品质决定营养价值。 针对现有豆粕品质检测方法存在着有毒化学试剂使用多、 操作复杂、 分析时间长、 无法满足实际生产线快速检测及调控需求等问题, 提出一种基于近红外光谱分析的豆粕品质多组分检测方法, 以期用于产品质量在线检测及调控。 从大豆油脂加工生产线上采集豆粕样品449个, 利用105 ℃烘箱法、 凯氏定氮法和索氏提取法分别测定样品的水分、 蛋白质和脂肪化学值, 采用瑞士BuchiNIRMaster傅里叶变换近红外光谱仪采集样品漫反射光谱。 首先利用马氏距离法剔除异常样本, 然后用多种方法对光谱数据进行降噪处理, 对比分析发现小波去噪效果最优。 分别采用KS和SPXY两种算法确定豆粕不同组分的最佳样本分集。 为了探讨豆粕组分的近红外吸收特性, 剔除光谱冗余信息, 降低模型计算复杂度, 采用区间偏最小二乘法(iPLS)对4 000~10 000 cm^-1全谱进行特征提取, 优选出水分、 蛋白质和脂肪的特征吸收波段分别为4 904~5 200, 4 304~4 600和4 304~4 600 cm^-1。 最后建立豆粕组分含量的广义回归神经网络(GRNN)预测模型。 为了减少网络的输入变量, 缩小网络规模, 提高运行速度, 采用PLS对光谱数据降维, 提取主因子得分作为GRNN输入变量。 通过交叉验证循环法优选网络参数光滑因子spread值, 建立豆粕多组分含量PLS-GRNN预测模型, 并与经典的PLS和BP模型对比, 发现PLS-GRNN模型效果更优, 其水分、 蛋白质和脂肪的预测集R²分别为0.976 9, 0.940 2和0.911 1, RMSEP分别为0.091 2, 0.383 4和0.113 4, RSD分别为0.79%, 0.83%和8.53%。 虽然脂肪的预测误差相对较大, 但也在模型评定标准可用范围之内。 实验表明基于PLS-GRNN的近红外光谱分析用于豆粕品质检测是可行的, 能够用于实际生产过程中的品质监控。