سبزیجات، به‌عنوان بخش مهمی از کشاورزی، تأثیرات بسیاری روی بهره‌وری زمین و اشتغال دارند. در میان سبزیجات، خانواده پیازی‌ها، از جمله مهم‌ترین و قدیمی‌ترین گیاهان زراعی هستند. آن‌ها نه تنها اهمیت غذایی بالایی دارند، بلکه در تناوب زراعی و حفظ حاصلخیزی زمین‌های کشاورزی نیز نقش مهمی ایفا می‌کنند. با این حال، انتخاب بذر مرغوب برای دستیابی به محصول با کیفیت بالا، امری ضروری است. متأسفانه، افزایش قیمت بذر و تقاضای بالا برای ارقام خاص، زمینه را برای افزایش بذرهای تقلبی در بازار، بخصوص در گونه‌های آلیوم فراهم کرده است. این معضل، حتی شرکت‌های معتبر را نیز در تشخیص بذر تقلبی ناتوان می‌سازد و به بی‌اعتمادی کشاورزان و آسیب به برند شرکت‌ها منجر می‌شود. بنابراین، روشی که بتواند بذرها را سریع و دقیق تفکیک کند و تقلب را تشخیص دهد، امری ضروری است. در این پایان‌نامه، توانایی روش‌های طیف‌سنجی مرئی- فروسرخ نزدیک (Vis-NIR) و تصویربرداری ابرطیفی (HSI) در تشخیص بذر گونه‌های مختلف آلیوم مورد ارزیابی قرار گرفت. بذر هفت گونه مختلف آلیوم شامل موسیر، تره بومی، تره شادگانی، پیاز قرمز، پیاززرد، پیاز سفید و بن‌سرخ مورد آزمایش قرار گرفتند. برای انجام این آزمایش، از یک طیف‌سنج آرایه دیودی در محدوده‌ی 1100-400 نانومتر و یک دوربین ابرطیفی اسکن خطی در محدوده طیفی 1000-400 نانومتر برای ثبت طیف‌ها و تصاویر ابرطیفی از بذر گونه‌های مختلف آلیوم استفاده شد. برای اندازه‌گیری طیف بذر، نمونه‌ها در پتری‌دیش قرار داده شد و پس از ثبت سه طیف مختلف در مد بازتابشی، میانگین آن‌ها به‌عنوان طیف مستقل بذر آن نمونه در نظر گرفته شد. برای ثبت داده‌های HSI، پتری‌دیش حاوی بذر در مقابل دوربین و 6 منبع نور هالوژنی با توان 50 وات قرار گرفت و تصویر آن در وضعیت بازتابشی گرفته شد. در مرحله بعد، بذر بن‌سرخ با ناخالصی موسیر در 5 سطح مختلف شامل 10، 20، 30، 40 و 50 درصد ناخالصی مخلوط شدند و تصاویر ابرطیفی از هر یک از سطوح مختلف تقلب بدست آمد. به منظور تحلیل طیف‌های بدست آمده، ابتدا و انتهای طیف‌ها بدلیل نویز، حذف و سپس پیش‌پردازش‌های مختلف بر روی طیف‌ها اعمال شد. داده‌های طیف‌سنج با روش‌ طبقه‌بندی مدل‌سازی نرم و مستقل شباهت‌های بین کلاسی (SIMCA) طبقه‌بندی شدند. بهترین قدرت تفکیک با پیش‌پردازش‌ مشتق مرتبه دوم بدست آمد که منجر به دقت کل 59/98 درصد در تشخیص بذر گونه‌های مختلف شد. داده‌های HSI با روش‌های شبکه‌های عصبی مصنوعی (ANN) و افزایش گرادیان درخت تصمیم هیستوگرام (HGB) به همراه پیش‌پردازش فیلتر میانه به منظور تشخیص بذر گونه‌های مختلف طبقه‌بندی شدند. بهترین قدرت تفکیک مربوط به مدل HGB با دقت کل 83/97 درصد بود که توانست بطور میانگین بیش از 96 درصد پیکسل کلاس‌های مختلف بذر را به درستی طبقه‌بندی کند. در مقابل روش ANN با دقت 91 درصد توانست بطور میانگین بیش از 66 درصد پیکسل کلاس‌های بذر را به درستی طبقه‌بندی کند. همچنین برای تفکیک و تعیین درصد خلوص بذر بن‌سرخ از بذر موسیر از مدل اجماع یا Voting با پیش‌پردازش فیلترهای دوطرفه و میانه استفاده شد. نتایج بدست آمده با پیش‌پردازش فیلتر میانه در مقایسه با پیش‌پردازش فیلتر دوطرفه، نشان‌دهنده برتری مدل مبتنی بر فیلتر میانه بود که توانست عملکردی قابل قبول در تشخیص همه سطوح تقلب داشته باشد. این در حالی بود که پیش‌پردازش فیلتر دوطرفه تنها در سطح تقلب 20 درصد عملکرد خوبی داشت. علاوه بر این، با استفاده از روش وزن‌دهی مجدد تطبیقی رقابتی (CARS) طول‌موج‌های مؤثر در روش HSI شناسایی شدند. برای تشخیص بذر گونه‌های آلیوم، دقت کل مدل HGB با طول‌موج‌های مؤثر برابر 94 درصد بود. دقت کل با روش Voting مبتنی بر طول‌موج‌های مؤثر برابر 96 درصد بود. بطور کلی، نتایج این پایان‌نامه نشان داد روش‌های طیف‌سنجی Vis-NIR به کمک مدل‌سازی SIMCA و HSI با مدل HGB ابزارهای توانمندی در تشخیص بذر گونه‌های‌ مختلف آلیوم هستند.کلمات کلیدی: بن‌سرخ، موسیر، مدل‌سازی نرم و مستقل شباهت‌های بین کلاسی (SIMCA)، شبکه‌های عصبی مصنوعی (ANN)، افزایش گرادیان درخت تصمیم هیستوگرام (HGB)، وزن‌دهی مجدد تطبیقی رقابتی (CARS)