猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标, 不仅影响果实外观, 也决定果实等级高低的划分。 传统的形状分级方法大多采用人工分级, 存在耗时长、 效率低、 重复性差且易受人为主观影响等问题。 针对传统猕猴桃形状分级存在的问题, 研究利用高光谱成像建立猕猴桃正常果和畸形果的分类检测方法。 以成熟期的248个金魁猕猴桃（正常果107个, 畸形果141个）作为研究样本, 先利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据, 再采用主成分分析法对光谱数据进行降维, 得到第一主成分图像。 随后提取第一主成分图像的3个特征波长（682, 809和858 nm）, 并对其进行融合计算, 生成新的光谱图像（融合图像）。 然后利用四叉树分解算法对融合图像进行分割处理, 并计算掩膜图像所对应的12组形状特征参数, 结合偏最小二乘线性判别分析（PLS-LDA）、 反向传播神经网络（BPNN）、 最小二乘支持向量机（LSSVM）建立判别模型, 对比分析, 最终得到猕猴桃形状特征的最佳分类模型。 结果表明, 所建立的三种分类模型中, BPNN和LSSVM模型的分类效果较好, 总体分类准确率均在95%以上; PLS-LDA的效果略差, 训练集和测试集的总体准确率分别为80.12%和76.83%。 其中BPNN模型训练集和测试集的总体分类准确率分别为98.19%和97.56%, 总体误判个数分别为3和2, 而LSSVM模型的总体准确率分别为97.59%和95.12%, 总体误判个数分别为4和4。 对猕猴桃正常果的检测, 三种模型的分类效果分别为: LSSVM最好、 BPNN其次、 PLS-LDA最差。 对猕猴桃畸形果的检测, 三种模型的分类效果分别为: BPNN最优、 LSSVM其次, PLS-LDA效果最差。 因此, 猕猴桃形状特征的最佳分类模型是BPNN模型。 试验结果说明, 可利用高光谱成像对猕猴桃形状特征进行分类判别。 为猕猴桃形状特征的快速、 准确无损检测研究提供了理论支持。