农产品品质无损检测对于保证农产品的质量安全具有重要意义。近年来,包括近红外光谱分析技术、高光谱图像技术等在内的光学检测方法已经被广泛应用于农产品品质无损检测中。农产品品质的光学检测方法是一个软测量(或模式识别)问题,其本质是建立农产品光谱信息与其品质参数的数学模型。然而,农产品易受产地、年份的影响,提取的光谱特征参数也有所变化,当待测样本的产地或年份发生改变时,模型的预测精度将会下降。建立一个全新的模型又比较昂贵;如何对已有模型进行更新,使得更新后的模型具有鲁棒性,不随产地和年份的改变而改变,这对提高无损检测精度和降低实际成本具有很高的研究价值。本文旨在结合光谱分析技术与模型更新方法解决现有模型在检测跨年份农产品时精度降低问题;针对分类和回归模型,研究不同模型更新策略来提高模型的泛化能力。本文的研究内容如下:1.提出了一种基于相似性度量的玉米种子分类模型更新方法。玉米种子分类属于模式识别,目标值为离散变量。本文借鉴半监督学习的思想,利用现有模型对其他年份的未标记样本进行识别并给予初始标签;利用未标记样本与训练集对应类中心的相似度评估初始标签的可靠性;每次迭代选取少量初始标签较为可靠的样本加入到训练集,逐步更新模型。本文利用3个年份共3600粒玉米种子(4类)对该模型更新方法进行了验证实验。实验结果表明:对于三个不同的测试集,更新后模型的平均分类精度相较于未更新模型分别提高了8.0%、27.6%和7.2%,说明结合半监督学习与相似性度量为提高分类模型鲁棒性提供了一个可能的技术途径。2.提出了一种基于预标签的玉米种子分类模型更新方法。针对基于相似性度量的玉米种子分类模型更新方法中样本选择策略主要依赖与训练集样本的相似度,导致选出的样本不能充分的代表测试集,更新后的模型性能提高有限。本文将初始或者更新过程中预测结果相同的样本视为一类,获取该类中每个样本与其类中心的距离,距离小的样本不仅具有可靠的预测标签且更具代表性;多次迭代选取距离较小的样本,逐步更新模型。实验结果表明:对于三个不同的测试集,更新后模型的平均分类精度相较于未更新模型分别提高了8.9%,35.8%和9.6%,均优于基于相似性度量的玉米种子分类模型更新方法,说明基于预标签的玉米种子分类模型更新方法更有效。3.提出了一种基于距离度量和半监督学习的苹果可溶性固体含量(soluble solids content,SSC)预测模型更新方法。苹果SSC预测属于软测量问题,目标值为连续变量;仅靠苹果的光谱信息无法准确度量样本间的距离,因此本文构建了基于光谱信息与SSC的苹果样本间的距离度量方法。根据该距离度量方法并结合不同模型对相同样本预测差异来选取更新集样本更新初始模型,并对测试集样本进行预测。本文利用2个年份2373个‘Gold Delicious’(GD)苹果对该模型更新方法进行了验证实验。实验结果表明:更新后的最小二乘支持向量机回归模型对测试集SSC的预测值与真实值的相关系数达到了0.853,相较于未更新模型提高了27.5%。