نارنگی به عنوان یکی از مهم‌ترین مرکبات در جهان از اهمیت اقتصادی و سلامتی بالایی برخوردار است. نارنگی به عنوان یک منبع غنی از ویتامین C، آنتی‌اکسیدان‌ها و مواد مغذی مورد توجه قرار می‌گیرد. ایران در میزان تولید نارنگی، رتبه دهم را در جهان به خود اختصاص داده است. در نواحی مهم پرورش مرکبات، هر ساله سرما و یخ‌زدگی موجب کاهش کمی و کیفی نسبتاً زیاد این محصول می‌شود. آسیب‌های سرمازدگی و یخ‌زدگی می‌توانند در هر میوه‌ای روی درخت یا بعد از برداشت در اثر شرایط انبار نامناسب اتفاق بیفتند. در تشخیص سرمازدگی و یخ‌زدگی، معمولاً از روش‌هایی استفاده می‌شود که مخرب و زمان‌بر هستند و امکان بازرسی تمام محصولات در خط درجه‌بندی را فراهم نمی‌آورند. در این پژوهش، امکان استفاده از روش غیرمخرب تصویربرداری ابرطیفی در تشخیص زودهنگام و سریع آسیب‌های سرمازدگی و یخ‌زدگی در مرکبات بررسی شده است. برای انجام این پژوهش، ??? عدد نارنگی از بازار محلی تهیه شدند. نمونه‌ها ابتدا تحت تیمارهای دمایی مختلف قرار گرفتند تا در آن‌ها آسیب سرمازدگی و دو سطح آسیب یخ‌زدگی شبیه‌سازی شود. پس از آن نمونه‌های آسیب‌دیده به مدت ?? ساعت در دمای اتاق قرار گرفتند. پس از اندازه‌گیری مشخصه‌های فیزیکی (وزن و اندازه) و رنگ (شاخص‌های *L، *a و *b)، تصاویر ابرطیفی نمونه‌ها با استفاده از سامانه تصویربرداری ابرطیفی در دو مد بازتابشی و عبوری تهیه شدند. این سامانه شامل بخش‌های اصلی‌ مانند منابع نور با قابلیت تنظیم شدت نور، دوربین ابرطیفی مجهز به آشکارساز CCD با توانایی ثبت تصاویر ابرطیفی در طول‌موج‌های ??? تا ???? نانومتر است. از دو شیوه متفاوت تحلیل طیفی مبتنی بر طیف میانگین ناحیه متعلق به نمونه و تحلیل پیکسل مبنا مبتنی بر داده‌های طیفی هر پیکسل برای شناسایی و طبقه‌بندی نمونه‌های سالم، سرمازده، یخ‌زده سطح 1 و یخ‌زده سطح 2 استفاده شد. در روش طیف میانگین پس از پیش‌پردازش داده‌های طیفی، از روش‌ طبقه‌بندی مدل‌سازی نرم و مستقل شباهت‌های بین کلاس (SIMCA) برای طبقه‌بندی نمونه‌ها استفاده شد. در حالی که در روش پیکسل مبنا از داده‌های طیفی هر پیکسل به عنوان ورودی به روش یادگیری عمیق برای طبقه‌بندی تشخیص استفاده شد. بهترین نتیجه برای طبقه‌بندی سطوح مختلف آسیب‌های سرمازدگی و یخ‌زدگی با روش طیف میانگین در مد بازتابشی و با استفاده از داده‌های خام بدست آمد که در آن مدل SIMCA مربوط توانست با دقت 100 درصد نمونه‌های هر چهار کلاس سالم، سرمازده، یخ‌زده سطح 1 و یخ‌زده سطح 2 را تشخیص دهد. این در حالی بود که طیف میانگین مد عبوری منجر به دقت‌ پایین‌‌تری نسبت به مد بازتابشی شد به نحوی که بهترین مدل SIMCA در این وضعیت به کمک پیش‌پردازش مشتق دوم توانست با دقت 47/89 درصد نمونه‌های متعلق به دسته آزمون را طبقه‌بندی کند. در تحلیل‌های پیکسل مبنا، وضعیت تشخیص برعکس تحلیل‌های مبتنی بر طیف میانگین بدست آمد. در این حالت مدل یادگیری عمیق مبتنی بر داده‌های مد عبوری با ساختار 666-512-1024-1024-512-256-64-4 منجر به دقت 1/94 درصد در مرحله اعتبارسنجی شد. این درحالیست که مدل یادگیری عمیق مبتنی بر داده‌های بازتابشی با ساختار 580-512-1024-1024-512-256-64-4 توانست با دقت 7/91 درصد، پیکسل‌های متعلق به چهار کلاس مورد مطالعه را تشخیص دهد. با بکارگیری مدل‌ها بر روی تصاویر هر کلاس و استخراج تصاویر رنگی، نتایج حاکی از قدرت بیشتر وضعیت عبوری در تشخیص آسیب‌های سرمازدگی و یخ‌زدگی نارنگی بود. کلمات کلیدی: تصویربرداری ابرطیفی، مدل‌سازی نرم و مستقل شباهت‌های بین کلاس، یادگیری عمیق، نارنگی، پیش‌پردازش