挥发性盐基氮（TVB-N）含量是评价肉制品新鲜度的重要指标。尝试采用遗传联合区间偏最小二乘（GA-Si-PLS）从高光谱数据之光谱信息中筛选出最优波长。再提取各波长所对应的灰度图像的纹理特征，纹理特征变量经主成分优化后，作为输入层，运用反向传播神经网络（BP-ANN）构建鸡肉的TVB-N含量的定量模型。实验表明，模型对训练集和预测集的均方根误差分别6.61和9.84，相关系数分别为0.9054和0.8030。研究表明可以利用高光谱中的图像信息对鸡肉TVB-N含量进行快速无损检测。

提出了一种应用三维荧光谱技术结合化学计量学方法快速无损鉴别蜂蜜中大米糖浆掺假的新方法。 利用特征参量法和主成分分析法对三维荧光光谱信息量进行压缩提取, 并结合线性判别分析法(LDA)和误差反向传播神经网络法(BP-ANN)对蜂蜜掺假进行分析。 结果显示, 在掺假蜂蜜判别试验中, 采用4个主成分时, 模型对预测集样本的识别率最佳, LDA模型识别率为94.44%, BP-ANN模型识别率为100%, 说明非线性的BP-ANN模型更适合蜂蜜掺假识别。 研究表明, 三维荧光光谱结合BP-ANN判别模型可以快速、 无损、 准确地鉴别蜂蜜中大米糖浆掺假。

哈夫单位、蛋黄指数和失重率是评价鸡蛋新鲜度的重要指标。通过采集反映鸡蛋内部品质的近红外（550~985 nm）透射光谱对其进行了无损、快速定量分析。通过Savitzky-Golay光谱平滑方法和一阶微分对光谱进行预处理，采用联合区间偏最小二乘法（SI-PLS）选取合适的光谱或波长区间进行建模；并将选取的特征变量通过主成分分析，获取光谱的有效信息作为反向传播人工神经网络（BP-ANN）的输入变量进行非线性建模。比较两种模型的预测效果发现SI-PLS模型的性能优于BP-ANN模型。实验结果表明：应用近红外透射光谱评价鸡蛋的新鲜度是可行的。

挥发性盐基氮（TVB-N）含量是评价猪肉新鲜度的重要指标。尝试融合光谱和成像技术检测猪肉中TVB-N含量。实验以不同新鲜度的猪肉样本为研究对象，同时采集近红外光谱数据和图像数据，并对其分别进行特征提取和主成分分析，利用反向传播神经网络构建猪肉TVB-N的定量预测模型。实验结果表明，融合模型要优于单一技术模型，模型交互验证均方根误差（RMSECV）为1.2975，对独立样本预测时相关系数达到0.957。研究表明基于光谱和成像融合技术检测猪肉中TVB-N含量是可行的，检测结果的准确性和稳定性较单一技术有所提高。

磷元素（P）亏缺初期， 水果黄瓜植株根部叶片出现小斑点， 其症状的外观特征与健康植株根部叶片老化初期类似， 难以用肉眼或者计算机图像处理技术识别。 本文根据近红外光谱能够反映叶片组织中有机物组分的差异， 运用近红外光谱技术对水果黄瓜植株磷元素亏缺进行了快速诊断研究。 精确控制营养液中磷元素含量， 通过设施栽培方式培养缺磷植株和对照样本。 近红外光谱仪采集了90片叶子的原始光谱（60片作为训练集， 30片作为预测集）， 经光谱预处理和窗口宽度优化后均匀划分为27个子区间， 分别提取每个子区间的10个主成分数据作为BP人工神经网络（BP-ANN）的输入变量， 以叶片缺素情况作为输出变量， 建立3层BP-ANN诊断模型。 当主成分因子数为3时， 第7个子区间对应的模型效果最佳， 模型对缺磷叶片和正常叶片的预测准确率均达到100%。 研究表明: 近红外光谱技术结合BP-ANN快速诊断水果黄瓜磷元素亏缺是可行的。

为了简化近红外光谱模型，提高对草莓可溶性固形物含量的预测精度，将反向偏最小二乘法(BiPLS)与模拟退火算法(Simulated annealing algorithm，SAA)相结合优选特征波长，建立了多元线性回归可溶性固形物光谱模型.原始光谱经过预处理后，用反向偏最小二乘法优选出4个特征子区间(分别为第8、13、16、17)；对所选的特征子区间，进一步用模拟退火算法选择可溶性固形物的特征波长.在SAA选择出的 7565 cm-1、7706 cm-1、8289 cm-1、8489 cm-1、8499 cm-1、8724 cm-1、8807 cm-1 7个特征波数点的基础上建立了预测模型.模型的预测均方根误差为0.428，优于偏最小二乘法、向后区间偏最小二乘法建模结果.研究结果表明： 反向偏最小二乘法结合模拟退火算法可以有效选择近红外光谱特征波长.

茶汤滋味是茶叶品质的核心, 该研究利用近红外光谱技术快速检测绿茶滋味品质。 试验以滋味化学鉴定法作为绿茶滋味品质检测的标准方法, 试验得到的滋味总得分值作为近红外光谱预测模型的参考测量值。 在模型建立过程中, 首先利用联合区间偏最小二乘法(siPLS)筛选特征子区间； 然后, 用遗传算法(GA)在特征子区间内优选特征变量。 最优模型在优选出38个特征变量, 主成分因子数为6时获得, 模型预测集相关系数(Rp)为0.890 8, 预测均方根误差(RMSEP)为4.66。 研究结果表明, 利用近红外光谱技术结合siPLS-GA算法检测绿茶滋味品质是可行的, 同时表明siPLS-GA算法相对于其他方法在本研究中的应用具有一定的优越性。

植物叶片叶绿素含量及分布是植物营养信息表达的一个重要指标。 以茶树为研究对象， 利用高光谱技术分析茶树叶片中叶绿素含量及其分布。 通过采集茶树鲜叶的高光谱图像， 利用7种不同的算法从高光谱数据中提取相应的特征参数， 并根据特征参数和叶绿素含量的参考测量值分别拟合出相应的预测模型。 结果显示， 二次土壤调节植被指数算法提取的特征参数最佳， 预测模型校正集和预测集的相关系数R分别为0.843 3和0.832 3， 最小均方根误差分别为9.918和8.601。 最后根据预测模型估计叶片上任意像素下叶绿素的含量， 并通过伪彩手段描述叶片中叶绿素含量的分布。 研究结果表明， 利用高光谱成像技术分析茶树叶片中叶绿素含量及其分布是可行的。

提出了基于高光谱成像技术的猪肉嫩度检测方法。利用高光谱成像系统获取78个猪肉样本在400~1100 nm范围的高光谱图像数据；通过主成分分析高光谱数据进行降维，从中优选出3幅特征图像，并从每幅特征图像中分别提取对比度、相关性、角二阶矩和一致性等4个基于灰度共生矩阵的纹理特征变量，这样每个样本共有12个特征变量，再通过主成分分析提取6个主成分变量，并参照剪切力方法测得的样本嫩度等级结果，利用神经网络方法构建猪肉嫩度等级判别模型。模型对校正集样本的回判率为96.15%，预测集样本的判别率为80.77%。研究表明高光谱图像技术可以用于猪肉嫩度等级水平的检测。

为了简化光谱模型和提高模型精度, 在传统遗传算法中引入Metropolis接受准则, 提出了一种新的模拟退火-遗传区间选择算法(SAA-GA-iPLS), 用于快速提取近红外光谱特征子区间, 采用偏最小二乘法(PLS)建立近红外光谱模型. 以黄瓜叶近红外光谱数据及其类胡萝卜素含量为例, 将全光谱分为40个区间, 模拟退火-遗传算法能快速优选出7个子区间(分别为第3, 5, 14, 18, 21, 32, 33子区间), 在所选7个子区间的基础上建立了黄瓜叶类胡萝卜素PLS光谱模型. 与传统遗传算法的比较结果表明： 无论是建模效果还是算法执行效率, 模拟退火-遗传算法均优于传统遗传算法.