在玉米单倍体技术中, 单倍体鉴别是非常重要的环节。 该研究对大量玉米单倍体与杂合二倍体的近红外透射光谱进行分析, 以期建立一套在生产上实用的单倍体鉴别模型。 通过采集三组遗传背景不同的玉米单倍体与杂合二倍体籽粒光谱, 进行不同机器学习算法对比, 光谱预处理建模效果比较, 以及分析数据集大小对模型构建的影响。 对比所有单倍体与杂合二倍体的平均光谱, 发现二者在光谱的吸收峰位置基本相同, 但是单倍体的吸光度略高于杂合二倍体, 尤其是在波长940～1 120 nm以及1 180～1 316 nm这两段谱区差异较大。 在构建的几个模型中, 采用偏最小二乘法和神经网络算法的模型单倍体鉴别准确率较高, 分别为93.26%和95.42%。 测试集验证的结果与模型准确率一致, 表明两种算法适宜进行单倍体大规模筛选。 利用偏最小二乘法模型比较了不同光谱预处理方法的模型效果, 发现仅进行移动窗口平滑预处理原始光谱进行建模准确率最高。 对不同大小数据集的建模效果对比发现, 在一定范围内增大数据集有助于提高模型准确率。 而且数据中单倍体所占比例较高时, 单倍体预测召回率可达100%。 此外, 还根据籽粒颜色标记挑选出不易鉴别的单倍体和杂合二倍体, 利用偏最小二乘法构建的机器学习模型预测准确率可达93.39%, 显示出近红外鉴别单倍体的优势, 即有可能在不依赖籽粒颜色的情况下实现准确鉴别。 基于机器学习的近红外单倍体鉴别方法具有较高的准确率, 而且该方法还能在后期数据增加的基础上不断优化, 对其开展理论研究有望为自动化智能鉴别单倍体创造条件。