研究快速、高效、精确的水果品质检测技术对推动水果产业的健康、持续发展,提高我国水果产业在国际市场上的竞争力,具有十分重要的意义。高光谱图像技术结合了光谱技术和图像技术的优点,能够很好的检测水果内外部品质。然而,高光谱图像的“维数灾难”以及波段间的强相关性会对结果产生一定的影响。降维的主要目的是如何能够既有效降低特征空间的维数,同时又要尽可能多的保留原始数据所包含的信息,从而减少检测时间、提高效率,进而设计出保证实时性的检测系统。数据降维可通过特征选择和特征提取来实现,在高光谱数据处理中则对应特征波段选择和特征提取,是近几年模式识别领域中一个非常活跃的研究热点。本文对基于高光谱图像技术的水果品质检测的降维算法进行了深入的研究,完成的主要内容如下:1.利用粗糙集理论(Rough Set, RS),结合水果的光谱机理特征,研究适合于水果内部品质表述的高光谱特征波段选择问题。邻域粗糙集(Neighborhood Rough Sets, NRS)模型不但能直接处理数值型属性,而且在选择的特征数量和分类精度方面都具有较大的优势。2.研究了基于流形学习算法的高光谱特征提取问题。局部线性嵌入(Local linear Embedded, LLE)是流形学习算法的一个典型代表,它试图保持数据的局部几何特征,就本质上说,它是将流形上的近邻点映射到低维空间的近邻点。结合LLE和支持向量机(Support Vector Machine, SVM),仿真结果达到了令人满意的效果。3.进一步研究了基于有监督流形学习算法的高光谱特征提取问题。有监督流形学习算法相对于无监督算法,加入了样本的类别信息,能够在保留流形某些结构的同时,进一步分离不同类别的信息。本文介绍了有监督局部线性嵌入(Supervised Local linear Embedded, SLLE)和有监督等距映射(Supervised Isometric Feature Mapping, S-Isomap)两种不同的监督流形学习算法,并结合SVM对降维后的数据进行分类。仿真结果表明有监督流形学习算法能够很好的提高分类准确率。