摘要为实现精确预测樱桃番茄中SSC和Vc含量,该研究提出一种改进杜鹃鸟搜索算法优化的BP神经网络(Back Propagation Neural Network Optimized by Improved Cuckoo Search Algorithm,ICS-BPNN)模型.采集样品在1350～1800 nm的近红外光谱数据,首先采用不同方法进行预处理;然后利用稳定性竞争性自适应重加权算法(Stability Competitive Adaptive Reweighting Algorithm,SCARS)、遗传算法(Genetic Algorithm,GA)和自动有序预测因子选择算法(Automatic Ordinal Predictor Selection Algorithm,Auto OPS)3种方法进行特征波长提取;最后结合机器学习方法建立了BP神经网络(Back Propagation Neural Network,BPNN)和基于杜鹃鸟搜索的BP神经网络模型(Back Propagation Neural Network Optimized by Cuckoo Search Algorithm,CS-BPNN).为进一步提高模型精度与收敛性,引入自适应算法对杜鹃鸟蛋被淘汰的概率进行改进并对越界鸟窝进行新处理-基于改进杜鹃鸟搜索算法优化的 BP 神经网络.结果表明:优化后模型效果最好,SSC含量使用该模型决定系数R2c和R2p是0.83和0.85,RMSEC和RMSEP为0.85和0.79;Vc含量使用此模型R2c和R2p为0.91和0.91,RMSEC和RMSEP分别是0.48和0.45.因此,采用近红外光谱技术与改进的机器学习方法结合可实现对樱桃番茄内部品质的快速无损预测分析.