【摘要】为探究软枣猕猴桃采后后熟过程中可溶性固形物含量（soluble solids content, SSC）变化和分布规律，利用高光谱成像结合化学计量学方法实现其SSC无损检测与可视化。首先，采集25℃下不同贮藏天数软枣猕猴桃的高光谱数据，并测定其SSC。其次，采用不同预处理方法对光谱数据进行处理，确定最佳预处理方法；然后，基于3种特征波段提取方法优选特征波段，构建偏最小二乘回归（partial least squares regression, PLSR）、极限学习机（extreme learning machine, ELM）和粒子群优化的极限学习机（particle swarm optimization-extreme learning machine, PSO-ELM）可溶性固形物含量预测模型。结果表明：基于竞争性自适应重加权采样算法（competitive adaptive reweighted sampling, CARS）提取特征波长的PSO-ELM模型的预测效果最佳，测试集Rp2为0.934,RMSEP为0.952,RPD为2.277。最后，基于CARS-PSO-ELM模型计算软枣猕猴桃每个像素点的SSC，生成可视化分布图，直观地呈现出不同贮藏天数软枣猕猴桃SSC变化的空间分布特征，为软枣猕猴桃的品质评价和贮运销售提供重要参考。