目前雷笋均采用人工评判，分级结果的客观性和一致性较差，劳动生产率低。为提高雷笋制品加工产业的自动化程度，本课题探索雷笋品质无损检测方法，尝试利用机器视觉和近红外光谱技术，结合雷笋的颜色特征、形态学特征、粗纤维含量与质构硬度等指标，实现对雷笋的分级加工及品质快速无损检测。论文的主要研究内容如下:　　1.雷笋分级研究的机器视觉硬件系统设计。针对雷笋的外形特点，计算相机拍摄的视野范围和工作距离，选用漫反射前景光照明方式，设计出尺寸合理的拱形光箱。针对光箱做照度近似计算，得出光源的最佳总光通量，为光源的科学选型提供参考。然后通过对相机关键参数的考量，筛选适当的相机和镜头。并进行光源均匀性、稳定性的试验验证。结果显示五个采样位置的照度差异较小，整个样品台的照度均匀性很好;整个视野内的平均照度在试验期间的波动很小，光源的稳定性很好。最后使用标准圆形量块进行系统标定，得到图像中单个像素对应的实际长度是0.2635mm。　　2.雷笋各个分级指标的数字化表示方法研究。分割出雷笋中段部分的边缘曲线做弯曲度分析，以曲线所在最小外接矩形的长宽比作为弯曲指数，通过设定阈值，实现弯曲笋的检测。选择脱壳笋的B通道图像，研究得到笋由基部、中段到尖端的颜色变化规律，实现了雷笋不可食基部切割位置的定位。分别提取带壳雷笋与去根脱壳雷笋样本的长度、最大径、长度/最大径、周长和面积等直笋形态特征，利用BP神经网络分别建立带壳雷笋和去根脱壳雷笋的重量预测模型。使用预测集样本验证模型的性能，将样本重量的预测值与实测值进行误差分析，结果显示:对于带壳雷笋，R=0.9886，RMSEP=0.07076;对于去根脱壳雷笋，R=0.9930，RMSEP=0.07253。　　3.雷笋分级模型构建。根据行业标准，综合使用单株重、长度、可食率和弯曲指数等指标，通过主成分分析降维，建立了基于k-近邻法的雷笋分级模型。当k=8，PCs=2时，得到最佳的KNN模型，实现将样本分为四级，此时模型训练集的识别率达到93.85％，预测集的识别率达到91.43％。　　4.脱壳雷笋的褐变程度判别模型构建。提取样本的14个颜色特征与褐变面积比共15个特征变量用于褐变程度判别模型的构建。30根新鲜脱壳雷笋样本，在4℃条件下储藏11天，剔除奇异样本后，提取每幅图像的15个特征变量，经过对PCs和k值的优化，得到基于KNN的褐变程度最佳判别模型。当k=8，PCs=5时，模型训对练集的识别率达到83.16％，预测集的识别率达到82.18％，将不同褐变程度的雷笋样本划归为三个级别。　　5.基于近红外光谱技术的雷笋木质化定量评价模型构建。以笋段为研究对象，粗纤维含量和质构硬度作为衡量采后竹笋木质化程度的指标。对原始近红外光谱进行预处理后，采用研究得到最佳变量筛选算法，剔除光谱原始变量中的冗杂信息，提高模型的预测能力并降低预测误差。预测粗纤维含量的CARS-GA-PLS模型，R=0.9508，RMSEP=0.05980;预测质构硬度的CARS-PLS模型，R=0.9681，RMSEP=0.8003。　　研究结果表明，所提出的基于机器视觉技术的雷笋分级方法与脱壳雷笋褐变程度评价方法，以及基于近红外光谱技术的雷笋木质化定量预测方法是可行的。研究结果部分填补了国内外针对竹笋品质分级与快速检测的研究空白，为雷笋分级装置的设计与雷笋品质在线无损检测的实现提供理论依据。