种子质量包括种子外在品质和内在品质,外在品质包括种子净度、重量、健康度、虫蚀、病斑、破损等,内在品质包括种子的活力、发芽率、含水率和纯度等。在种子外在品质中,净度、重量、健康度等检测方法相对比较成熟,而虫蚀、病斑和破损等主要依靠人工辨识的方法来进行鉴定,此方法费时费力且具有一定主观性;在种子内在品质中,活力、真实性、含水率等研究成果较多,但是在纯度质量的检测方面主要使用生物化学方法,此类方法具有破坏性、无法大批量检验且成本较高。由于不同农作物种子的形态不一,为了避免形态特征对试验结果造成影响,选取了三类形状具有代表性的种子,例如辣椒种子比较小且相对较薄;稻米种子呈椭圆形且有一定厚度;玉米种子相对较大且厚度大。针对这三种形态不一的种子,本文提出一种基于多光谱成像技术结合机器学习对种子外观品质和纯度质量检测的新方法,该方法具有快速、无损、易于自动化等优点。本文主要研究内容如下:为了对稻米种子的外观进行检测并实现经济性的要求,搭建了多光谱成像系统用来对稻米种子进行图像拍摄。同时为了使种子外观参数的获取和种子品种分类集成在一个软件上,开发了多光谱成像处理软件。此软件包含登录界面、种子表型特征提取系统和种子品种分类系统。种子表型特征提取系统可以实现对种子的表型参数的获取同时种子品种分类系统可以实现种子品种的分类。在稻米种子的外观检测试验中,使用多光谱成像系统拍摄了稻米种子的多光谱图像,然后通过图像预处理分割为单粒稻米种子图像,并通过二维卷积神经网络（2D-CNN）对无缺陷稻米种子和有缺陷稻米种子（包括种子的未熟、霉变和破损）进行分类。试验结果表明,通过搭建的多光谱成像系统采集的图像可以很好的体现无缺陷种子和有缺陷种子之间的差异性;在辣椒种子纯度检测试验中使用一维卷积神经网络（1D-CNN）对辣椒种子进行纯度质量检测,使用辣椒种子全波长光谱数据和通过连续投影算法（SPA）选择的特征波段作为分类模型的输入。将KNN、SVM和1D-CNN三个分类模型在光谱全波段下的分类准确率进行比较。在特征波段下,使用SVM和1D-CNN对辣椒种子的品种进行分类分析;在玉米种子纯度质量试验中利用主成分分析法（PCA）提取得到总贡献率达97.6%的三个主成分并实现了玉米种子分类可视化。该研究使用1D-CNN模型比较了种子光谱反射率、种子光谱反射率结合种子形状信息及种子光谱反射率结合种子形状信息的特征参数三个方面的准确率,同时使用2D-CNN对玉米种子多光谱图像进行分类准确率测试。本文通过多光谱成像技术结合机器学习的方法研究了稻米种子外观品质、辣椒和玉米种子纯度质量检测,并开发了多光谱成像系统,同时设计了多光谱成像处理软件,本研究旨在解决采用传统方法检测种子外观品质和种子纯度费时费工、成本高昂的问题,为种子质量的实时监测提供了技术支持。