我国苹果产量占世界苹果总产量的35.8％为世界首位，而出口量却仅占到世界的5％。出现这种情况的原因之一就是我国的苹果混等混级现象严重，致使我国的苹果在国际市场上没有竞争力。因此，要提高我国的苹果在国际市场的竞争力并提高其出口量，就必须提高我国苹果的分级水平。目前，国内对苹果的分级大多采用人工而且大多局限于外观品质。但从消费者的角度观察，消费者更注重的是苹果的内部品质。为了满足消费者对内部品质的要求并且为苹果的分级提供更多依据，本课题研究了近红外光谱技术和电子鼻技术在苹果内部品质的检测中应用。本课题主要研究内容和结论如下：　　 (1)利用偏最小二乘法(PLS)建立了近红外光谱数据对苹果糖度、酸度和水分含量的预测模型。其中糖度预测模型在训练集的相关系数(R)和交叉验证均方根误差(RMSECV)分别为0.9014和0.733，在预测集的相关系数(R)和预测均方根误差(RMSEP)分别为0.8975和0.633；水分含量预测模型在训练集的相关系数(R)和交叉验证均方根误差(RMSECV)分别为0.7151和0.5601，在预测集的相关系数(R)和预测均方根误差(RMSEP)分别为0.7265和2.35；酸度预测模型在训练集的相关系数(R)和交叉验证均方根误差(RMSECV)分别为0.5999和1.2，在预测集的相关系数(R)和预测均方根误差(RMSEP)分别为0.593和1.01。结果表明，利用近红外光谱数据和偏最小二乘法建立的预测模型对糖度进行预测能够得到较好的效果。对水分和酸度的预测结果稍差，但水分和酸度与近红外光谱数据之间具有一定的相关性。　　 (2)应用支持向量机模式识别方法和近红外光谱数据，对不同品种和同一品种不同产地的苹果进行了识别。对不同品种的回判识别率和预测识别率均达到100％。对同一品种不同产地的苹果的回判识别率达到87％预测识别率达到100％。结果表明，支持向量机比目前比较流行的模式识别方法具有更高的精度。　　 (3)利用近红外光谱数据和PLS方法建立了对苹果储藏时间的预测模型。所建模型在训练集的相关系数和交互验证均方根误差分别为0.8540和4.29在预测集的相关系数和预测均方根误差分别为0.8242和4.73。由结果看出利用近红外光谱数据和PLS方法建立的模型对苹果储藏时间进行判断能够得到较好的结果。　　 (4)应用电子鼻技术对苹果的新鲜度进行了判断。试验中利用苹果气体信息和支持向量机模式识别方法建立的识别模型可以将新鲜苹果与常温储藏19天的苹果完全区分开。同时还利用建立的识别模型对常温储藏19天的苹果与常温储藏27天的苹果做了区分试验，其误判率为13.3％。由试验结果可以看出，利用苹果气体信息和支持向量机对货架期苹果新鲜度进行判断是可行的。