患有水心病的苹果俗称“糖心苹果”,与正常苹果相比,发病组织由于山梨糖醇的大量积累而明显的变甜。水心病对于人类无害且其口感比无病苹果要好,市场上水心病苹果售价较高。水心病会缩短苹果的保质期,因此在苹果采摘时必须优先采摘患有水心病的苹果。为了减少水心病加重造成的损失和通过单独售卖糖心苹果提高经济效益,急需一种快速、准确、无损的检测方法对其鉴别分选。近红外光谱分析技术在苹果水心病检测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络(CNN)能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的模型相比具有更强的模型表达能力。然而,使用CNN进行苹果近红外光谱数据分析至今尚未被研究。为解决上述问题,本文将CNN与近红外光谱分析技术相结合,进行了以下工作:首先对采集到的水心苹果和正常苹果的光谱数据进行简单的预处理以减少光谱噪声。然后基于CNN算法,通过试验优化网络结构和各项参数,最终获得针对苹果近红外光谱数据的卷积神经网络苹果水心预测模型通过与传统模型进行对比实验分析,结果表明卷积神经网络的分类预测精度优于传统模型,准确率可以达到98%,且对预处理的依赖更小。因此,卷积神经网络能够利用近红外光谱数据对苹果内部水心病做出有效判别。最后,设计与开发了一套可视化的苹果水心实时在线检测软件,调用封装好的CNN判别模型接口,对采集到的苹果光谱数据进行实时在线分析。软件测试结果显示,判别准确率达到了83.3%,检测速度达到1.5秒/个,能够满足工业苹果水心在线检测需求。本文创新性的将卷积神经网络用于苹果水心病的近红外光谱检测,并提出了有效的卷积神经网络光谱分类建模方法。在分类模型基础上,开发了一套能够满足工业上水心苹果检测需求的检测软件,为实现苹果水心在线检测提供了新思路,对提高水心苹果的附加值,提升水果产业分选水平,具有积极意义。