小白菜是我国一种食用人口众多,种植范围广泛的蔬菜,但其易受到虫害的影响,因此喷洒农药已经成为了保产增产的有效措施。若使用方法不当就会导致小白菜农药残留超标,对人体造成危害,因此亟需快速的农药残留检测方法。传统的检测方法费时费力,本文基于高光谱技术,对小白菜表面残留农药种类识别和残留农药浓度检测方法进行研究,主要研究内容如下:(1)本文历时25天完成了小白菜样本种植、农药喷洒和光谱数据采集流程,获得了完整的数据集。为了保证本文所用的小白菜样本纯净,在实验小组种植期间,将配置的不同种类和不同浓度的农药溶液喷洒在小白菜表面,待完全吸收后使用高光谱设备进行了数据采集。并对获得的数据集使用不同的筛选方法剔除异常样本,采用多种光谱增强方法对原始光谱数据进行处理。(2)使用PSO粒子群算法提取了小白菜农药残留检测的特征谱段,并基于此提出了农药残留检测指数PRDI。为了减少光谱数据冗余进一步提高模型精度,本文使用PSO粒子群优化算法分别提取了400、200、100、50和25个小白菜农药残留检测的特征谱段,在此基础上构建了12个小白菜农药检测指数PRDI。(3)构建了基于全谱段、特征谱段、PRDI的SVM和CNN的小白菜残留农药种类识别模型。本文使用卷积神经网络(CNN)方法分别建立了基于全谱段、特征谱段和PRDI的农药种类识别模型,同时和支持向量机(SVM)模型进行对比分析,第一批实验样本识别结果表明,CNN模型能更有效识别农药种类。所有模型中基于PRDI的CNN模型精度最高,训练集和测试集识别率分别为98.33%和96.67%。该模型在对第二批样本的检验中,溴氰菊酯和辛硫磷农药的识别正确率分别为96.67%和98.00%。(4)构建了基于全谱段的PLS和CNN小白菜残留农药浓度检测模型。本文建立了基于全部原始谱段的PLS和CNN农药浓度检测模型,二者精度均较低。为了增强光谱特征提高模型精度,本文对比了不同光谱增强方法对浓度检测结果的影响,结果表明多元散射校正和标准正态分量变换能够提高检测精度。(5)针对全谱段模型浓度检测精度较差的问题,建立了基于特征谱段和PRDI的CNN小白菜残留农药浓度检测模型。通过对比基于特征谱段和PRDI的不同检测模型,发现基于PRDI1-8的CNN农药浓度检测模型效果最好,溴氰菊酯检测RMSE为0.0534mg/kg,MAE为0.0415mg/kg,R2为0.9755,辛硫磷检测RMSE为0.0451mg/kg,MAE为0.0340mg/kg,R2为0.9826。本文基于高光谱技术,提取了小白菜农药残留检测特征谱段,并构建了PRDI指数,对比分析了不同农药残留种类识别和浓度检测模型,为更有效的高光谱农药残留检测方法的提出提供了新的方向。