鲜桃是一种营养丰富和风味甜香的水果，可溶性固形物含量(SSC)作为影响鲜桃风味的重要 成分，也成为衡量鲜桃品质的重要参考标准，因此，精准估测SSC对于鲜桃分级和评价具有重要的研究意义和应用价值。目前，随着传感器和数据分析技术的快速发展，无损估测水果可溶性固形物含量被广泛研究及应用。其中，近红外光谱、多光谱、荧光谱、电子鼻等已经成功地检测鲜果SSC。

然而，目前大部分研究基于单一特征检测，从而限制了水果SSC预测模型的进一步探究。近年来，高光谱影像不仅提供光谱维信息，还提供空间维信息，常常被广泛用来检测水果的SSC。结果表明，基于高光谱影像特征估测SSC的可行性。然而，大部分研究仅基于光谱维信息，容易导致SSC估测模型过拟合。随着深度学习在不同领域的应用，为鲜桃SSC预测提供 了新思路和新方案。堆叠自动编码器(SAE)作为深度学习方法，具有较强的特征能力，从而提高预测模型的精确性。因此，在这项研究中设计不同结构的堆叠自动编码器，分别提取高光谱影像的光谱维、空间维信息深层特征，为鲜桃SSC的定量分析提供技术路径。

德彩网通过不同品种鲜桃样本的SSC可视化，表 明 SAE-PSO-SVR模型具有较好的普适性。基于SAE提取鲜桃高光谱影像的光谱信息和空间信息深层特征，进一步通过融合信息的深层特征构建了基于SAE-PSO-SVR的鲜桃SSC估测模型，有效的提高了模型的估测精度。