选择合适耕地种植高活力的玉米种子可以显著提高玉米出苗率,提高玉米产量。使用传统方法识别玉米种子品种以及检测种子活力存在试验周期长、操作过程繁琐、对试验人员专业性要求比较高、试验过程存在个人主观性等不足。因此,本研究利用近红外光谱分析技术实现对玉米品种的快速鉴别及种子活力的快速检测。取得如下成果:（1）建立了基于贝叶斯优化算法的玉米种子支持向量机分类模型。以7类玉米种子为研究对象,采集种子近红外光谱数据进行标准正态变量变换处理后使用主成分分析法对光谱数据进行降维处理。按照6:1比例随机将样本数据划分为训练集和测试集,分别使用网格搜索、遗传算法和贝叶斯优化算法三种方法对支持向量机模型的两个重要参数惩罚因子C和径向基核函数参数γ进行寻优,并建立支持向量机分类模型。对比基于三种优化算法的支持向量机模型发现:经过贝叶斯优化算法优化后的支持向量机分类模型相比于其他两种优化算法性能提升显著,测试集上识别准确率和f1值均可达到100%。说明使用贝叶斯优化算法寻优的支持向量机模型参数是全局最优参数,其他两种优化算法寻优得到的参数使模型陷入了局部最优,从而导致模型性能表现不佳。基于贝叶斯优化算法的支持向量机分类方法是一种有效的玉米品种鉴别方法。（2）建立了玉米种子发芽率预测模型。对玉米种子进行不同时段的人工老化,获取0d,1d,2d,3d,4d,5d,6d,7d共8个梯度的人工老化样本。采集老化后样本的光谱数据并做发芽试验,使用蒙特卡洛交叉验证法进行异常样本剔除,对剔除异常样本之后的玉米光谱数据使用连续投影算法和主成分分析法进行降维处理,讨论不同波长点以及主成分数目对模型性能的影响。使用随机划分法对数据进行多次划分和建模,比较模型的稳定性及泛化性能。使用岭回归、支持向量回归和贝叶斯岭回归三种回归模型预测玉米种子的发芽率。结果表明,基于网格寻优的支持向量回归模型性能表现不佳。贝叶斯岭回归模型和岭回归模型在预测集上的决定系数R~2均能达到0.93以上,平均绝对误差MAE和均方根误差RMSE均小于0.1。贝叶斯岭回归模型在预测集上决定系数R~2可达0.9509,性能表现优于岭回归。实验结果表明,贝叶斯岭回归模型性能优于支持向量回归和岭回归,是一种有效的玉米种子发芽率快速检测方法。本研究探讨了网格寻优、遗传算法和贝叶斯优化算法对支持向量机分类模型性能的影响,建立了玉米品种鉴别模型。通过对玉米种子进行发芽试验,建立岭回归、支持向量回归和贝叶斯岭回归三种模型,比较三种模型在预测集上的模型性能,建立了玉米种子发芽率预测模型。为玉米品种的快速分类及种子的活力检测提供了方法和理论依据,也可为基于近红外光谱的其他农产品分类、产地鉴别及活力检测提供参考。