近红外光谱（NIRS）技术在作物种子品种鉴别上具有一定的可行性, 但如果待测种子的存储时间不同, 识别模型的准确性会受到影响。 为了降低存储时间对识别模型的影响、 提高模型的预测能力, 将NIRS技术与图像处理技术相融合, 提取出与品种生理生化指标相关的光谱特征和与品种相关的表观图像特征。 为了提取出最优的光谱特征, 首先提出一种改进的后向间隔偏最小二乘（IM_BiPLS）光谱区间选择算法。 针对BiPLS分段数难以确定的问题, 让分段数在一定范围内变化, 以每个分段数所取得的组合区间建立模型的相关系数和交叉验证均方根误差之比作为评价指标, 该指标最大时的分段数所对应的波段组合为最优。 然后使用竞争自适应重加权法（CARS）去除IM_BiPLS所选波段中的无信息变量和共线性变量实现光谱特征优选。 为了提取与品种相关的表观图像特征, 首先使用基于最大熵和双重区域标记的图像分割算法完成不感兴趣区域去除和单粒种子图像分割; 然后提取单粒种子的形态、 纹理和颜色特征并计算出每个图像样本所有种子的统计平均特征。 最后使用CARS对这些特征进行深层次优选完成图像特征提取。 以10个黄色玉米品种为研究对象, 采集216个样本的NIRS数据和对应的图像。 针对光谱数据, 使用IM_BiPLS算法从全谱1 845个变量中选出了具有736个变量的波段组合, 使用CARS进一步从中优选出光谱变量29个。 针对图像数据, 提取出图像特征29个, 使用CARS进一步优选出图像特征11个。 分别以IM_BiPLS提取的光谱特征波段、 IM_BiPLS-CARS优选的特征波长、 图像特征(Image)、 CARS提取的图像特征(Image-CARS)以及IM_BiPLS-CARS优选的特征波长融合CARS提取的图像特征（Compound）为输入, 以样本对应的类别为输出, 建立BP神经网络模型。 测试结果表明Compound-BP模型的性能最佳, 训练准确率和验证准确率均为100%, 测试准确率为97.7%。 实验结果说明NIRS特征融合图像特征可以有效地提高识别模型的精度, 降低存储时间对模型的影响, 为实现玉米种子品种的无损、 快速、 精确识别提供参考。