使用便携式近红外（901～1 650 nm）和可见光（400～900 nm）光谱仪结合多变量分析方法无损检测水稻水分含量, 选用100种不同品种的水稻并采集其光谱信息, 其中粳稻52种, 籼稻34种, 糯稻14种。 采用GB 5009.3—2016中的直接干燥法测定每种水稻样本的水分含量。 利用蒙特卡洛偏最小二乘法（MCPLS）剔除水稻样本中的异常值, 基于近红外和可见光光谱的数据集分别剔除8个和4个异常值。 采用基于联合X-Y距离的样本划分法（SPXY）按照3: 1的比例划分样品, 近红外和可见光数据集分别得到69、 72个校正集和23、 24个预测集。 采用正交信号校正（OSC）、 多元散射校正法（MSC）、 去趋势变换（De-trend）、 标准正态变换（SNV）、 基线校正（Baseline）、 Savitzky-Golay 卷积导数（S-G导数）、 标准化（Normalize）、 移动平均平滑(moving average)、 Savitzky-Golay卷积平滑处理法（S-G平滑）共9种算法对原始光谱数据进行预处理, 基于近红外和可见光光谱的OSC、 SNV和OSC、 Moving average预处理效果较好, 进行后续模型的处理。 选择特征波长以减小光谱信息冗余并提高模型检测效果, 基于近红外和可见光光谱的最佳波长选择方法分别为连续投影算法（SPA）和竞争性自适应重加权算法（CARS）, 分别保留15, 39个特征波长。 之后, 建立偏最小二乘回归（PLSR）、 主成分回归（PCR）模型。 结果表明, 基于近红外和可见光光谱的最优模型分别为SPA-PLSR和OSC-CARS-PCR, 其预测集相关系数（R2P）, 预测集均方根误差（root mean square error forprediction, RMSEP）和预测集归一化均方根误差（normalized root mean square error, NRMSEP）分别为0.810 3、 0.802 1, 0.412、 0.388和3.62%、 3.34%。 基于近红外光谱的SPA-PLSR模型预测效果更好, 鲁棒性更高, 预测效果好于可见光光谱。 本研究验证了便携式近红外和可见光光谱仪快速、 无损检测水稻中水分含量的可行性, 为水稻收获、 贮藏等过程水分含量的测定提供技术支持, 为后续便携式光谱仪的开发提供参考。