利用波长范围在833～2 500 nm的傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy, FT-NIR)对不同霉变程度的玉米颗粒进行检测区分。 首先, 为避免光谱数据首尾噪声影响, 对比四种常见的预处理方法, 最终选择移动平均平滑法对原始光谱数据进行预处理; 然后为选出合适的样本集划分方法以提高模型预测性能, 对常见的四种方法进行对比, 最终利用SPXY(sample set partitioning based on joint x-y distance)法进行样本集划分; 进一步为减少数据量, 降低维度, 使用连续投影算法(successive projections algorithm, SPA)提取出7个特征波长, 分别为833, 927, 1 208, 1 337, 1 454, 1 861和2 280 nm; 最后, 将七个特征波长数据作为输入, 选取径向基函数(radial basis function, RBF)作为支持向量机(support vector machine, SVM)核函数, 取参数C=7 760 469, γ=0.017 003建立判别模型。 SVM模型对训练集和测试集的预测准确率分别达到97.78%和93.33%。 另取不同品种的玉米颗粒, 以同样的标准挑选样品组成独立验证集, 所建立的判别模型对独立验证集的预测准确率达到91.11%。 结果表明基于SPA和SVM能有效地对玉米颗粒霉变程度进行判别, 所选取的7个特征波长为实现在线霉变玉米颗粒近红外检测提供了理论依据。