木材是家居,建材,交通等领域的重要组成材料,对木材力学强度快速,精确的检测不但可以保证木材的安全使用,也可以提高木材的利用效率。随着全球市场对木材需求量的持续增加以及环保大背景下对于木材资源节约使用的迫切要求,亟需找到一种高效、准确,环保,安全的木材力学强度检测方法。基于近红外光谱的木材检测技术具有无损,快速,无污染等优点,可以有效的检测木材的各种属性。本文从提高基于近红外光谱的木材力学强度检测效率、精度和泛化能力出发,提出基于迁移学习的木材近红外力学强度检测方法。为木材加工领域的木材强度自动化检测提供理论支持和技术保障。本研究以色木、柞木的力学试件为主要实验材料,桦木力学试件为辅助实验材料,通过选择适合的光谱预处理方法,设计力学试件种材自动分选方法,选取有效的特征提取方法,验证基于近红外光谱的木材力学强度知识的可迁移性,开发多任务学习模型共享层的优化方法,完成多树种力学强度预测模型的构建。主要研究内容如下针对原始光谱中存在的随机噪声,基线漂移,光程散射,背景干扰等消极影响,对原始光谱进行预处理,实验表明,选择Savitzky-Golay（SG）卷积平滑结合标准正态变换（standard normal variate,SNV）作为光谱预处理办法,可以有效减少原始光谱中存在的高频噪声、光程散射等噪声干扰。针对传统分类器在基于近红外光谱的试件种材分类中由于训练样本数量较少,而光谱维度较高导致的分类精度不足,建模速度缓慢等问题,提出了基于多维缩放（Multidimensional Scaling,MDS）结合Kennard Stone（KS）的改进型子采样梯度提升树分类模型,避免因子采样差异性不足引起的梯度提升树过拟合现象,提高了分类精度和速度。实验表明,相比BP神经网络和支持向量机,提出的改进型梯度提升树有更好的分类效率和精度。可以完全正确分类三种木材试件,每个试件平均分类时间为1.562秒。针对近红外光谱中存在大量的冗余信息,易影响基于近红外光谱对木材力学强度预测模型精度的问题。提出基于粒子滤波（particle filter,PF）的近红外光谱特征提取办法。将有效的特征波长点与相应的力学强度视为非线性动态系统,将冗余光谱视为噪声,建立PF-PLS预测模型。以PLS模型的系数矩阵作为系统状态,通过粒子滤波不断迭代,获得当前系统状态的最优估计,以及有效的特征波长点。经试验表明,相比基于其他常用的特征光谱选择方法训练的PLS预测模型,本文提出的PF-PLS预测模型具有更好的预测效果。在训练集测试集比为2:1时,色木、柞木抗压强度预测相关系数均大于0.828,预测均方根误差均小于7.845;抗拉强度预测结果均大于0.860,预测均方根误差均小于33.489。单一树种训练样本建模的力学强度预测模型受训练样本数量有限、遍历性差等消极因素影响,易导致建立的力学强度预测模型泛化能力平庸,存在预测精度提升缓慢,应用范围狭窄等问题。为提升预测模型的泛化能力及精度,本文对基于近红外光谱的树种间力学强度知识的可迁移性展开研究。针对树种间光谱知识无法直接迁移的问题,提出基于迁移成分分析（transfer component analysis,TCA）-主成分分析（principal component analysis,PCA）的树种间光谱特征提取方法结合深度迁移学习的训练方法,构建基于深度迁移学习的近红外木材力学强度预测模型。在训练集预测集比为1:9时,色木柞木力学强度的预测相关系数均在0.85以上,抗压模型均方根误差均小于3.7,抗拉模型预测均方根误差均小于26.8。实验表明,基于近红外光谱的木材力学强度知识可以通过这种基于TCA-PCA.的深度迁移方法进行有效迁移,该预测模型具有良好的泛化能力和预测精度。在研究木材近红外光谱-力学强度可迁移性方法的基础上,本文搭建了基于多任务学习的多树种木材近红外力学强度预测模型,并提出在共享层设置早停机制,优化由共享层过度训练带来泛化误差,进一步增强模型泛化能力。实验表明,本文提出的多任务预测模型有良好的泛化能力和预测精度。在训练集测试集为1:1时,经过共享层优化后的抗压、抗拉预测模型平均相关系数分别达到0.926、0.925,相比无优化的预测模型分别提高13%、8%。平均预测均方根误差分别为2.135、15.681,相比无优化预测模型分别下降7%、38%。