为了实现对榛子蛋白质的快速无损检测，提出了一种结合近红外光谱技术和间隔随机跳蛙算法的榛子蛋白质检测模型。提取榛子的近红外光谱数据后，对榛子光谱数据进行一阶导和标准正态变量变换预处理。针对随机跳蛙算法的初始子集以及最终波段数量阈值不确定的问题，采用间隔随机跳蛙算法进行特征波段提取，并对比了该算法与竞争性自适应重加权采样算法、连续投影算法和原始随机跳蛙算法的提取结果。基于提取的特征波段建立偏最小二乘回归模型。实验结果表明，相比其他算法，间隔随机跳蛙算法的性能最好且建立的模型稳定性更高。间隔随机跳蛙算法对交叉验证集的回归系数和均方根误差分别为0.9082和0.0178，对测试集的回归系数和均方根误差分别为0.8999和0.0372。

新旧品性是体现红松籽食用价值和育种价值的重要标准。 贮存期长短不同的红松籽的深加工价值不同, 但是通过外观形态、 重量和质地等很难分辨。 目前仍采用传统生物化学方法对红松籽化学性质及种子活性进行检测, 判断其新旧品性, 这种方法耗时较长难以满足在线检测的需求, 并且试剂处理不当会对环境造成污染。 近红外光谱检测在食品和林业领域中被广泛应用, 对带壳坚果类林产品的定性分析有实际和指导意义。 采用近红外光谱分析技术, 对成熟于当年和往年的红松籽进行无损检测研究。 首先, 将随机抽选的120个按新旧分类的红松籽作标记, 为了减少测量过程中的漏光现象并且使实验数据具有一般性, 统一采集松籽样本同一侧面的近红外漫反射光谱; 然后, 利用标准正态变量变换（SNV）、 一阶导数以及卷积平滑（SG）算法对原始光谱进行预处理, 以减少实验过程中人为因素及预处理方式带来的影响, 突出近红外光谱的特征信息; 随后, 使用主成分分析（PCA）和t-分布邻域嵌入（t-SNE）对预处理之后的数据进行线性与非线性降维, 聚类分析并比较降维效果。 通过数据可视化以及聚类参数的输出, 比较得出效果较好的降维方案。 红松籽近红外数据应用非线性降维处理效果优于传统线性方法, 于是运用t-SNE对数据降维以得到优化后的特征变量; 最后, 以降维之后的数据作为输入, 将2/3的试样数据作为校正集用于建立新旧籽分类的支持向量机校正模型, 将1/3的试样数据作为验证集用以对模型性能进行验证。 结果表明: 使用SNV、 求导和SG叠加的方法对光谱进行预处理能够有效消除噪声, 使吸收峰更明显, 光谱轮廓更加清晰平滑, 更有助于后期模型的建立; 将数据使用t-SNE方法降至二维作为分类模型的输入, 并且当核函数选择RBF, K取值为5, γ取82.54, 惩罚系数C为383.12时, 所建立的SVM分类模型分类效果最好, 准确度可达97.5%, 平均耗时0.02 s。 利用近红外光谱分析方法能够对红松籽新旧品性实现无损检测。