种子活性受到存储条件的影响很大。 收集了真实情况下受到不同存储条件影响的种子, 通过发芽实验验证了其成活率存在差异。 再从中选择适量的种子样本, 采集其单颗种子的可见-近红外反射光谱, 运用不同的光谱预处理技术, 结合不同的机器学习建模手段, 以区分不同成活率的种子。 比较了不同的光谱预处理方法, 比如标准反射光谱校正、 多元散射校正等。 从识别准确度的角度, 认为标准反射光谱校正的方法, 能够很大程度上提升不同存活率种子的光谱差异性, 从而经过机器学习判断达到更高的识别准确度。 同时比较了支持向量机、 K邻近和距离判别分析等机器监督学习建模方法, 发现利用标准反射光谱校正的方法结合距离判别分析, 能够对种子样本实现完全准确的判定。 更进一步, 为了满足实际运用中快速识别的要求, 将高分辨率的光谱数据压缩成为低分辨率多通道带通光谱数据, 这样可以大大降低的光谱数据长度, 节约各种机器学习器在训练和判断中所用的时间。 使用简化过后的多通道带通光谱数据判定种子存活率, 其识别准确度仍然接近90%。 充分说明了, 利用多通道宽带光谱数据, 并选择合适的机器学习建模方式, 足以满足实际选种产业的一般性需求, 有潜力作为未来粮种成活率快速鉴别的技术手段。 还采用了多种带通宽度以简化光谱, 分析比较不同带通宽度对识别精度的影响。 总体来说由于带宽增大, 数据量减少, 识别速度更快, 但是识别精度降低。 从10～50 nm改变光谱带宽, 标准反射校正后的简化光谱的识别精度从87.50%下降到58.75%。 在实际运用中, 需要权衡识别速率和预期识别精度, 合理的选择带宽。 验证了根据简化后的可见近红外反射光谱, 能够较快速且准确的识别水稻种子存活率, 为以后的基于带通滤波片的快速种子存活率识别奠定了基础。