摘要目的 利用高光谱成像技术结合机器学习算法,建立新鲜猪肉颜色(L*、a*、b*)、pH和滴水损失等内部品质参数的快速无损检测模型.方法 首先采集猪背最长肌可见近红外(visible near-infrared,VIS-NIR,400～1000 nm)和近红外(near infrared NIR,1000～1700 nm)的高光谱图谱信息,提取图谱中感兴趣区域(region of interest,ROI)后,将原始数据采用3种预处理方法Savitzky-Golay平滑法(S-G)、Savitzky-Golay 一阶求导法(S-G 1')和Savitzky-Golay二阶求导法(S-G 2')处理光谱数据并建立偏最小二乘回归(partial least squares regression,PLSR)全波长模型.随后,基于原始光谱和预处理光谱数据,利用连续投影算法(successive projections algorithm,SPA)和二维相关光谱(two-dimensional correlation spectroscopy,2DCOS)提取特征波长,构建 PLSR 特征波长模型.结果 对比VIS-NIR和NIR原始处理和3种预处理的PLSR模型,新鲜猪肉L*、a*、b*、pH和滴水损失测最优模型为S-G 2'-VIS-NIR-PLSR,训练集决定系数(R2c)在0.94～0.99之间,均方根误差(root mean squared error,RMSE)在 0.000～0.40 之间,测试集决定系数(R2p)在 0.59～0.88 之间,RMSE 在 0.01～1.62 之间;在特征波长预测模型中,使用SPA和2DCOS对5种理化指标预处理后数据提取特征波长可以有效加快检测效率.结论 为满足冷鲜肉线上检验的需求,可利用特征波段构建相关的预测模型,实现对冷鲜肉颜色、pH和滴水损失的快速检测,从而为高光谱技术在肉品快速检测领域的应用提供参考.