鮮桃是一種營養(yǎng)豐富和風味甜香的水果，可溶性固形物含量(SSC)作為影響鮮桃風味的重要 成分，也成為衡量鮮桃品質的重要參考標準，因此，精準估測SSC對于鮮桃分級和評價具有重要的研究意義和應用價值。目前，隨著傳感器和數(shù)據(jù)分析技術的快速發(fā)展，無損估測水果可溶性固形物含量被廣泛研究及應用。其中，近紅外光譜、多光譜、熒光譜、電子鼻等已經成功地檢測鮮果SSC。

然而，目前大部分研究基于單一特征檢測，從而限制了水果SSC預測模型的進一步探究。近年來，高光譜影像不僅提供光譜維信息，還提供空間維信息，常常被廣泛用來檢測水果的SSC。結果表明，基于高光譜影像特征估測SSC的可行性。然而，大部分研究僅基于光譜維信息，容易導致SSC估測模型過擬合。隨著深度學習在不同領域的應用，為鮮桃SSC預測提供 了新思路和新方案。堆疊自動編碼器(SAE)作為深度學習方法，具有較強的特征能力，從而提高預測模型的精確性。因此，在這項研究中設計不同結構的堆疊自動編碼器，分別提取高光譜影像的光譜維、空間維信息深層特征，為鮮桃SSC的定量分析提供技術路徑。

通過不同品種鮮桃樣本的SSC可視化，表 明 SAE-PSO-SVR模型具有較好的普適性?；赟AE提取鮮桃高光譜影像的光譜信息和空間信息深層特征，進一步通過融合信息的深層特征構建了基于SAE-PSO-SVR的鮮桃SSC估測模型，有效的提高了模型的估測精度。