1.一种基于证据理论的物体新鲜度无损检测方法，其特征在于，所述方法包括：选取待检测物体的N个新鲜度不同的检测样本，确定每个所述检测样本的新鲜度等级，N为正整数；

获取每个所述检测样本在M个波段下的M个高光谱图像，M为正整数；

对于每个检测样本，通过所述检测样本对应的M个高光谱图像确定所述检测样本的特征参数；

采用第一算法对所述N个检测样本的特征参数进行特征融合，并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第一预测模型；

采用第二算法对所述N个检测样本的特征参数进行特征融合，并将融合后的特征输入到最小二乘支持向量机预测模型中得到对样本的新鲜度等级的第二预测模型；

基于证据理论对所述第一预测模型和所述第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型；

使用所述融合预测模型对所述待检测物体进行新鲜度检测确定所述待检测物体的新鲜度等级。

2.根据权利要求1所述的方法，其特征在于，所述基于证据理论对所述第一预测模型和所述第二预测模型进行融合得到对样本的新鲜度等级的融合预测模型，包括：分别确定所述第一预测模型和所述第二预测模型的模型权重，并在识别框架上建立基本信度函数分配，所述识别框架中包括所述第一预测模型和所述第二预测模型，所述第一预测模型对应的基本信度值为所述第一预测模型的模型权重，所述第二预测模型对应的基本信度值为所述第二预测模型的模型权重；

将所述N个检测样本分为训练样本集和测试样本集，并将所述训练样本集均分为三个样本集，依次选取其中两个样本集作为训练集进行训练，并将另一个样本集作为验证集进行验证，将每次得到的验证结果作为所述识别框架中的一条证据并分别确定三条证据对应的基本信度值；

基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值；

确定所述第一融合基本信度值为所述第一预测模型对应的融合权重，确定所述第二融合基本信度值为所述第二预测模型对应的融合权重，将所述第一预测模型和所述第二预测模型按照各自对应的融合权重进行融合得到所述融合预测模型，并利用所述测试样本集测试所述融合预测模型的性能。

3.根据权利要求2所述的方法，其特征在于，所述基于证据理论的合成规则对三条证据的基本信度值进行融合得到第一融合基本信度值和第二融合基本信度值，包括：通过计算如下公式对第一条证据和第二条证据的基本信度值进行融合得到融合结果：m(P1)＝m1(P1)m2(P1)/(1-K)

m(P2)＝m1(P2)m2(P2)/(1-K)

K＝m1(P1)m2(P2)+m1(P2)m2(P1)

其中，m(P1)和m(P2)是融合结果对应的基本信度值，m1(P1)和m1(P2)是所述第一条证据对应的基本信度值，m2(P1)和m2(P2)是所述第二条证据对应的基本信度值；

通过计算如下公式对所述融合结果和第三条证据的基本信度值进行融合得到所述第一融合基本信度值和第二融合基本信度值：mc(P1)＝m(P1)m3(P1)/(1-K)

mc(P2)＝m(P2)m3(P2)/(1-K)

K＝m(P1)m3(P2)+m(P2)m3(P1)

其中，mC(P1)是所述第一融合基本信度值，mC(P2)是所述第二融合基本信度值，m3(P1)和m3(P2)是所述第三条证据对应的基本信度值。

4.根据权利要求2所述的方法，其特征在于，所述分别确定所述第一预测模型和所述第二预测模型的模型权重，包括：确定所述第一预测模型的预测误差，并根据所述第一预测模型的预测误差计算所述第一预测模型的模型权重；

确定所述第二预测模型的预测误差，并根据所述第二预测模型的预测误差计算所述第二预测模型的模型权重；

其中，所述第一预测模型和所述第二预测模型的模型权重的计算公式为：其中，i＝1或2，ω1是所述第一预测模型的模型权重，e1是所述第一预测模型的预测误差，D(e1)是所述第一预测模型的预测误差的方差；ω2是所述第二预测模型的模型权重，e2是所述第二预测模型的预测误差，D(e2)是所述第二预测模型的预测误差的方差。

5.根据权利要求1所述的方法，其特征在于，所述通过所述检测样本对应的M个高光谱图像确定所述检测样本的特征参数，包括：对所述高光谱图像进行图像分割获取所述检测样本的轮廓；

求取所述轮廓下的检测样本在Gabor变换下的J个方向的图像均值特征，J为正整数且J≥2；

将M个波段下M*J个图像均值特征作为所述检测样本的特征参数。

6.根据权利要求5所述的方法，其特征在于，所述求取所述轮廓下的检测样本在Gabor变换下的J个方向的图像均值特征，包括：采用Gabor滤波器对所述检测样本的轮廓进行卷积变化，所述Gabor滤波器的表达式为：其中，xθ＝xcos(θ)+ysin(θ)，yθ＝xsin(θ)+ycos(θ)，(x,y)是像素的坐标值，σ是高斯包络的标准偏差，θ是控制Gabor滤波器的方向的参数，f是正弦波的频率；

选取J个不同的方向θ的取值，对于每个方向θ的取值，计算 H为所述轮廓下的检测样本在所述方向θ的Gabor变换下的图像均值特征，f(e)是所述检测样本的轮廓采用所述方向θ的Gabor滤波器进行卷积变化后的图像直方图的统计值。

7.根据权利要求5或6所述的方法，其特征在于，J＝4，4个不同的方向θ的取值分别为θ＝0、θ＝π/4、θ＝π/2以及θ＝3π/4。

8.根据权利要求1所述的方法，其特征在于，所述获取每个所述检测样本在M个波段下的M个高光谱图像，包括：分别获取每个所述检测样本在S个波段下的S个高光谱图像，S＞M且S为正整数；

利用最小二乘投影系数法从所述S个波段中选择M个波段，分别获取每个所述检测样本在所述M个波段下的M个高光谱图像。

9.根据权利要求1所述的方法，其特征在于，所述第一算法为二维主成分分析算法，所述第二算法为稀疏自编码算法。

10.根据权利要求1所述的方法，其特征在于，所述待检测物体为肉类，所述确定每个所述检测样本的新鲜度等级，包括：测定每个所述检测样本的挥发性盐基总氮TVB-N含量；

根据每个所述检测样本的TVB-N含量确定所述检测样本的新鲜度等级。