茶染作为植物染色的一大门类，同时具有良好的环保性能和深厚的文化底蕴。为了能够准确描述茶叶染色的光谱变化，本文研究茶染后宣纸的光谱反射率与茶叶浓度的关系。首先采用分光光度计测量400～700 nm波段被茶叶染色后宣纸的光谱反射率，分别基于偏最小二乘回归模型、BP神经网络和连续投影算法(SPA)选择特征波段建立光谱信息与茶叶浓度之间关系的预测模型。然后以光谱反射率作为输入变量，对茶叶浓度进行预测。结果表明：基于偏最小二乘法、BP神经网络和连续投影算法 选择特征波段建立模型，通过茶染宣纸的光谱反射率来预测茶叶浓度具有较高的稳健性和可信度，其中SPA-BP神经网络模型的效果最优，平均预测正确率为98.40%，决定系数为0.9910，均方根误差为0.8433。这说明通过茶染宣纸的光谱数据来预测茶叶浓度具有可行性。

针对光谱反射率研究中因训练样本数据量大造成的冗杂等问题，提出了一种基于RGB信息进行聚类的样本分类方法。首先对颜色进行聚类并确定聚类个数，后对每一类光谱反射率使用BP神经网络分别进行重建。对于实验结果，使用ΔE₀₀、均方根误差（RMSE）以及适应度系数等标准进行评价，同时与主成分分析算法进行对比。从实验分析可得出，在聚类数目为7时光谱反射率重建效果最好，这时的平均CIE2000的色差为0.836，平均RMSE为0.0149，平均适应度系数为99.82%，并且，在最后对重建色差较大的色块进行了优化处理。实验证明，颜色聚类方法可以很好的应用于光谱反射率重建。

针对现有方法处理包含多个显著目标以及显著目标的某些区域与背景区域对比不明显的场景所得显著图不够精细，甚至会丢失某些显著性区域的不足，本文提出了一种结合相机阵列选择性光场重聚焦的显著性检测方法。选用光场数据集，利用同一场景的多幅视点图像，首先对中心视点图像进行结合超分辨率的重聚焦渲染；然后利用基于图的显著性检测方法提出结合全局和局部平滑度约束的传播模型以防止错误标签传播，得到的显著性粗图经过目标图的细化后最终输出精细的检测结果。另外，对于包含多个显著目标的场景，通过选择对场景中某一深度层进行重聚焦，同时对其他深度层产生不同程度的模糊，可以更精确、细致地检测出位于该深度层上的显著目标，一定程度上实现了可选择的显著性检测。在4D光场数据集上进行了实验，结果表明：本文提出的方法所得显著图与真值图之间的平均绝对误差的均值为0.212 8，较现有方法有所降低，检测结果包含更丰富的显著性目标信息，改善了现有显著性检测方法的不足。

针对马铃薯叶片，依托高光谱成像技术实现叶片叶绿素含量的无损检测。利用相关性分析获得马铃薯叶片叶绿素敏感波段，结合植被指数，建立基于光谱导数、植被指数的叶绿素含量传统预测模型与贝叶斯正则化?反向传播（BR-BP）神经网络模型。以489 nm光谱一阶导数值、修正型叶绿素吸收植被指数（MCARI）、陆地叶绿素指数（MTCI）为自变量建立BR-BP神经网络模型，其校正集决定系数、预测集决定系数、均方根误差分别为0.8464，0.6804，0.0746。研究表明，传统模型中光谱一阶导数?幂函数模型可较为准确地预测叶绿素含量，BR-BP神经网络模型相比传统预测模型具有更高的预测精度，因此可以实现马铃薯叶片叶绿素无损检测。

提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法，并通过预测结果和运算量的对比得出一种高效率的预测方法。采集了900～2100 nm波段范围内110个新鲜马铃薯叶片的光谱反射率信息，经SG（Savitzky-Golay）平滑、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理后，分别建立偏最小二乘回归（PLSR）模型和BP神经网络模型，再运用回归系数（regression coefficients, RC）法在全波段光谱中提取特征波长，同样经3种预处理后分别建立预测模型。结果表明：在运用光谱全波段信息构建的模型中，经多元散射校正（MSC）预处理建立的BP神经网络模型预测效果最好，预测集决定系数R²为0.9791，均方根误差RMSE为0.3723；在基于特征波长构建的模型中，经SG平滑预处理建立的神经网络模型预测效果最优，预测集决定系数R²为0.9658，均方根误差RMSE为0.4759；验证了特征波段结合BP神经网络建立的模型与全波段建立的模型预测结果相差不大，因而能够极大地减少运算量，提高预测效率。

为了快速检测马铃薯晚疫病，采用高光谱成像技术对马铃薯晚疫病的空谱信息进行对比研究以得到最佳判别手段。使用高光谱相机采集病害侵染0～6 d的高光谱图像，同时选取第6 d典型晚疫病病害的高光谱数据作为研究对象。采用二阶导数结合主成分分析和二次主成分分析分别从光谱和空间两个方面进行特征提取，之后基于特征波段反射率和主成分图像灰度值建立K最近邻分类算法、BP神经网络、决策树算法3种识别模型对不同时期病害进行识别。实验结果表明：基于二次主成分图像的灰度值结合BP神经网络建立的模型对马铃薯晚疫病的识别具有良好的成效，其识别率达96.6%。利用主成分图像灰度值建立的3种模型既减少了波段的冗余又提高了识别率，为研究和开发实时在线检测仪器提供了参考。