首先，利用自洽约束生成对抗网络（SCGAN）建模布里渊增益谱（BGS）中的真实噪声分布，生成噪声数据用于去噪卷积神经网络训练。通过对高斯噪声和SCGAN生成噪声进行直方图统计和幅度谱分析，证明了两种噪声的差异。然后，利用2种噪声分别训练3种最新的去噪卷积神经网络，在不同温度、不同信噪比的实验数据上对比了各网络的性能。实验结果表明，所提方法能准确获取低信噪比BGS的布里渊频移，说明基于生成对抗网络的噪声提取方式能够有效地建模真实噪声，更好地训练有监督网络。

应用可见/近红外光谱技术、 小波变换（WT）和连续投影算法（SPA）, 对火龙果总酸含量(TA)进行精确、 快速的无损检测, 为火龙果内部品质无损检测提供科学依据。 利用Maya2000光纤光谱仪采集380～1 099 nm范围的火龙果漫反射光谱数据, 通过WT消噪、 SPA优选波长和偏最小二乘回归（PLSR）分析方法, 建立了火龙果总酸的定量预测模型。 试验结果表明： 经过WT消噪联合SPA优选波长压缩光谱变量后建立的WT-SPA-PLSR模型, 预测精度都高于全谱PLSR模型。 由全部样本的原始光谱变量作为输入变量建立PLSR模型的预测相关系数（Rp）为0.851　394, 预测均方根误差（RMSEP）为0.086　848； 全部样本的原始光谱数据使用dbN（N=2, 3, …, 10）小波进行分解消噪, 其中消噪效果最优的是db4小波2层分解（db4-2）, WT-PLSR模型的Rp为0.915　635, RMSEP为0.066　752, 小波变换消噪后的光谱预测模型精度明显提高； 原始光谱经过db10-3小波消噪联合SPA算法, 从570个光谱变量中优选出530, 545, 604, 626, 648, 676, 685, 695, 730, 897, 972, 1　016 nm共12个变量作为输入变量, 建立WT-SPA-PLSR预测模型, 模型的RP为0.882　83, RMSEP为0.077　39。 SPA算法适合火龙果TA模型的光谱变量选择, 能够有效提取与总酸相关度高的波长变量, 增加了预测模型的精度和稳定性。 研究结果表明小波变换技术联合连续投影算法的漫反射近红外光谱无损检测火龙果总酸含量具有可行性。

利用高光谱技术对火龙果可溶性固形物含量(SSC)检测进行研究,为火龙果内部品质无损检测提供科学方法.以火龙果为研究对象,对光谱数据进行预处理,应用连续投影算法(SPA)进行特征变量的选择,通过偏最小二乘法(PLS)和前馈反向传播神经网络法(BPNN)建立预测模型,分析了火龙果果皮对SSC 模型预测精度的影响.实验结果表明：采用平滑去噪(MAS) 效果最优,PLS 模型的交叉验证相关系数(Rcv) 为0.8635,交叉验证均方根误差(RMSECV)为0.6791,可提高火龙果可溶性固形物模型精度；通过SPA 算法能够有效地对光谱数据进行降维处理,采用优选的15 个特征变量建立的BPNN 预测模型的预测相关系数(RP)为0.8411,预测均方根误差(RMSEP)为0.8171；果皮对建模结果会产生一定的影响,完整果PLS 模型的(RP)为0.8999,RMSEP 为0.7208；果肉PLS 模型的RP 为0.9304,RMSEP 为0.5291,果肉SSC 模型比完整果SSC 模型的预测能力略高.研究结果表明基于高光谱技术采集的火龙果漫反射光谱进行SSC 无损检测具有可行性.