我国是肉类生产和消费的大国，而猪肉是我国肉食消费的主力产品。生鲜猪肉pH值、含水率的优劣，直接影响饲养、屠宰、加工和销售等各环节的技术方案选择与优化，并最终决定产品质量、产业效益和食品安全。通常猪肉高光谱的某一品质参数检测模型对建模所用品种样本的预测性能良好，但是对其他品种样本的预测效果欠佳。因此，对模型进行品种间适用性检测和检测模型品种间差异修正方法研究对于实施和完善生鲜猪肉品质检测具有重要意义。　　该文以黑猪（大约克猪♀×北京黑猪♂）、零号土猪（鄂西黑猪♀×大约克♂）和家佳康（（大白♀×长白♂）♀×杜洛克♂）3个品种的猪肉为研究对象，建立了最优的pH值、含水率检测模型，对定量检测模型的品种间适用性进行检测，并对猪肉pH值、含水率检测模型品种间差异修正方法进行了研究与比较。针对猪肉的品种间差异，开展了猪肉品种定性判别方法研究，并对其进行优化。　　主要研究结果如下：　　1）研究和比较了不同的样本集划分方法及光谱预处理方法对猪肉pH值、含水率检测模型的影响，分别建立了黑猪、零号土猪和家佳康这3个品种猪肉最优的pH值、含水率检测模型。　　分别采用随机法（RS）、Kennard-Stone法（KS）和光谱理化值共生距离法（SPXY）法对样本集进行划分，以标准化（Normalize）、泊松扩散（Poisson Scalling）、正交信号校正（OSC）、标准正态变量变换（SNV）、集团化（Group Scale）和去趋势变化（Detrend）等多种方法对光谱进行预处理，比较不同的预处理方法对猪肉样本pH值、含水率偏最小二乘（PLSR）检测模型的影响，确定了3个品种最优的pH值、含水率PLSR检测模型。　　黑猪样本pH值检测模型的校正集相关系数Rc为0.893，预测集相关系数Rp为0.876，交互验证均方根误差RMSECV为0.164，预测集均方根误差RMSEP为0.108；零号土猪样本pH值检测模型的Rc为0.906，Rp为0.878，RMSECV为0.155，RMSEP为0.090；家佳康样本pH值检测模型的Rc为0.940，Rp为0.911，RMSECV为0.128， RMSEP为0.104。　　黑猪样本含水率检测模型最佳模型的Rc为0.943，Rp为0.883，RMSECV为0.120， RMSEP为0.137；零号土猪样本含水率检测模型的Rc和Rp分别为0.901和0.872， RMSECV和RMSEP分别为0.204和0.194；家佳康样本含水率检测模型的Rc为0.923， Rp为0.886，RMSECV为0.166，RMSEP为0.123。　　2）研究了生鲜猪肉pH值检测模型和含水率检测模型的品种间适用性。　　分别采用平均光谱法与主成分得分空间分布法对猪肉的pH值、含水率检测模型进行品种间适用性检测，结果证明家佳康品种的平均光谱值与主成分得分与另外2个猪肉品种均存在较大差异，不能用于直接预测另2个品种猪肉的pH值与含水率。　　应用模型交叉检验法对另2个猪肉品种pH值、含水率进行模型适用性研究。所得家佳康pH值模型对黑猪品种的预测Rp为0.594，RMSEP为0.186；对零号土猪品种的预测Rp为0.471，RMSEP为0.201。所用家佳康含水率模型对黑猪品种的预测Rp为0.561，RMSEP为0.204；对零号土猪品种的预测Rp为0.602，RMSEP为0.212。结果证明：家佳康无法有效预测两外2个猪肉品种的pH值及含水率。　　3）使用了模型更新法对猪肉pH值、含水率检测模型进行品种间预测。　　对家佳康pH值模型使用模型更新法对黑猪品种和零号土猪品种进行预测。对前者的Rp可由0.594提高到0.736，RMSEP可由0.186降低到0.113；而对后者的Rp可由0.479提高到0.707，RMSEP可由0.201降低到0.120。　　对家佳康含水率模型使用模型更新法对黑猪品种和零号土猪品种进行预测。对前者的Rp可由0.561提高到0.753，RMSEP可由0.204降低到0.128；而对后者的Rp可由0.602提高到0.789，RMSEP可由0.212降低到0.136。　　结果证明，模型更新法可以提高家佳康pH值、含水率模型对黑猪品种和零号土猪品种的预测能力。　　4）研究与比较了光谱信号校正算法对猪肉pH值检测模型和含水率检测模型品种间的差异修正。　　以家佳康为主品种模型，对经过光谱信号校正后的黑猪样本进行pH值检测， Rp由0.594提高到0.832，RMSEP由0.186降低到0.090。使用同一主品种模型，对经过光谱信号校正后的零号土猪样本进行pH值检测，Rp可由0.471提高到0.817， RMSEP可由0.201降低到0.112。　　以家佳康为主品种模型，对经过光谱信号校正后的黑猪样本进行含水率检测， Rp可由0.561提高到0.824，RMSEP由0.204降低到0.122。使用同一主品种模型，对经过光谱信号校正后的零号土猪样本进行含水率检测，Rp可由0.602提高到0.833， RMSEP可由0.212降低到0.108。　　结果证明，光谱信号校正算法可以在不影响原模型的情况下提高主品种对待测从品种的预测性能。　　5）研究与确定了猪肉品种定性判别方法及其优化方法。　　以随机选取的方法按2:1的比例对样本进行划分，最终获得校正集240个，预测集120个。以BP神经网络、K最邻近法KNN、支持向量机SVM和极限学习机ELM这4种多分类方法建立猪肉品种定性判别模型，分别比较了多种预处理方法对各模型的影响，同时比较了各分类方法判别所需的时间。其中，以ELM模型的分类效果最佳，而其最优的预处理方法为去趋势变换（Detrend），该模型的预测集识别准确率为78.33％，总误判数为26个。对已经预处理过的光谱，以果蝇优化算法（FOA）和蝙蝠算法（BA）对ELM模型参数进行优化。结果证明以蝙蝠算法优化极限学习机（BA-ELM）模型效果最优，其模型识别准确率达到86.67%。