【摘要】【目的】对不同表面粗糙度的落叶松木材光谱进行分析，建立适合不同表面粗糙度的近红外模型，为提高近红外模型预测木材密度精度和普适性提供理论依据。【方法】以黑龙江省星火林场落叶松木材为研究对象，对未打磨（M0）、150目打磨（M1）和320目打磨样品（M2）的近红外光谱进行分析。分别采用11点移动平均平滑、基线校正（baseline）和SG平滑进行了光谱预处理以去除冗余光谱信息，采用人工选择、反向区间偏最小二乘法（BiPLS）和联合区间偏最小二乘法（SiPLS）完成波段优选，构建针对不同表面粗糙度的单一预测模型及包含3种表面粗糙度样品的近红外混合模型。【结果】M0样品包含的光谱信息要多于另外2种粗糙度，3种预处理方法中，SG平滑预处理的建模效果综合评价最好。基于3种波段优选方法分别建立M0、M1和M2的基本密度预测模型，SiPLS波段选择方法效果更好，对于M0、M1、M2这3种表面粗糙度样品，验证集相关系数R及均方根误差（RMSEP）分别为0.865 9和0.022 7、0.766 0和0.021 4、0.725 6和0.027 4。以3种不同粗糙度混合建立的SiPLS-混合预测模型，对于不同粗糙度样品的预测能力好于各粗糙度的单一模型，对于M0、M1、M2这3种表面粗糙度样品，模型的RMSEP分别降低了11%、25%、5%。【结论】基于3种表面粗糙度所构建的近红外模型都可以实现木材密度的有效预测且采用SiPLS优选波段所建模型的预测精度为M0>M1> M2,SiPLS波段选择方法可以优化表面粗糙度对预测模型的影响，在此基础上建立的混合模型则使近红外预测模型更加具有普适性，为木材的分类优选及精细化利用提供了理论基础及技术支持。