在水稻抗倒伏育种中, 水稻茎秆纤维素含量作为重要的作物性状表现型数据, 用传统方法获取时受人力成本和时间成本的约束, 采集群体大小有限。 利用高光谱技术能够实现对作物性状信息的快速、 无损检测。 为探究水稻茎秆纤维素含量近红外光谱反演模型, 以田间小区试验的方式, 采集水稻灌浆期至成熟期茎秆基部倒2、 3节作为实验样本, 并在实验室内使用NIRQuest512型号高光谱仪测得茎秆近红外反射光谱数据; 采用标准变量正态变换（SNV）、 连续小波变换（CWT）及两种方法结合（SNV-CWT）对原始近红外光谱进行预处理, 经对比分析, 原始光谱经SNV处理后再通过CWT对应6尺度分解最优, 然后采用联合区间偏最小二乘法（SiPLS）、 迭代保留信息变量法（IRIV）对最优预处理（SNV-CWT）的光谱特征曲线进行光谱特征变量筛选, 分别提取了64个和16个特征变量; 为优化模型并提高其模型精度, 采用IRIV算法对SiPLS所选的特征变量进行二次筛选, 得到6个特征变量, 特征波长为1 200, 1 207, 1 325, 1 470, 1 482和1 492 nm, 最后基于优选出的特征变量分别建立水稻茎秆纤维素含量的支持向量机回归（εSVR）和核极限学习机（KELM）预测模型, 模型参数（惩罚系数C, 核函数系数γ和不敏感参数ε）分别采用灰狼算法（GWO）、 差分进化灰狼算法（DEGWO）和自适应差分进化灰狼算法（SaDEGWO）进行优化选择。 结果表明, 采用SNV-CWT方法光谱预处理后, 经SiPLS-IRIV方法筛选的特征变量构建的SaDEGWO优化的SVR模型精度最高, 模型参数Ｃ, γ, ε分别为302.838 2, 0.087 7, 0.070 8, 测试集的决定性系数（R2p）为0.880, 均方根误差（RMSEP）为15.22 mg·g-1, 剩余预测残差（RPD）为2.91, 表明模型具有较好的预测能力, 可为水稻茎秆纤维素含量预测提供参考。