小麦粉的粉质特性决定了小麦粉的品质以及最终用途, 粉质特性受到小麦的品种, 产地, 以及加工工艺等多个因素的影响, 重要的粉质参数包括4个: 吸水率、 形成时间、 稳定时间、 弱化度。 近红外光谱广泛应用于小麦粉成分参数的检测, 如水分、 蛋白质、 灰分和湿面筋含量, 其中大多直接应用线性回归算法建立模型, 预测的精确度较低, 且检测粉质特性的研究较少, 研究结果也受到样本丰富度不足的影响。 该研究收集了968份来自不同国家和地区的小麦粉粉质特性数据及近红外光谱, 通过分类模型和回归模型的结合来提高粉质特性预测的精确度。 采用包括标准正态变换（SNV）、 线性去趋势（Detrend)、 多元散射矫正（MSC）和Savitzky-Golay一阶求导的方法对光谱数据进行预处理, 并通过交叉验证选择最佳预处理方法。 在建模方法上, 首先尝试了经典的线性回归方法, 即偏最小二乘回归（PLSR) 和主成分回归（PCR)。 发现两种方法的精确度大致相当, PCA模型的校正均方根误差（RMSEC）分别为2.186、 1.838、 4.037、 21.693, PLSR模型为2.039、 1.837、 3.968、 21.252, PLSR模型比PCR所需的因子更少。 其次, 使用该文提出的二阶段回归模型, 即先用高斯过程回归（GPR)的结果作为分类器对样本进行分类, 在不同类别的样本簇中分别建立PLSR模型进行粉质特性的预测, 再使用Sigmoid函数对PLSR模型进行融合。 这种建模方法对粉质特性预测的精确度有较大提高, 在不同粉质特性指标上的RMSEC分别为1.876、 1.160、 2.459、 14.449。