1.一种近红外光谱定量分析中的波长选择方法，所述方法采用高光谱成像系统获取标准参考对象的高光谱图像，采用微小型光谱学传感器获取分析对象的可见光‑近红外反射光谱；

其特征在于：

对于高光谱成像系统获取的所述标准参考对象的高光谱图像，对其光谱数据进行二阶差分运算后，采用标准归一化变换公式结合多项式平滑方法进行平滑去噪，得到标准参考对象数据集；

对于微型光谱学传感器获取的所述分析对象的可见光‑近红外反射光谱，对光谱数据集采用蒙特卡洛抽样方法进行分析，去除异常数据，然后执行小波包分解和重构方法进行数据平滑，得到分析对象数据集；

所述方法包括如下步骤：

S101：采用主成分分析法对所述标准参考对象数据集进行分类，得到至少三类标准参考对象数据子集Refi，i＝1，2，3......；

S103：对于每一类标准参考对象数据子集Refi，从所述分析对象数据集中选择相似度满足第一预定条件的多个分析对象数据，构成至少三类分析对象数据子集Stdj，j＝1，2，

3......

S105：选择max{Stdj，j＝1，2，3，......}作为校正集，选择min{Stdj，j＝1，2，

3，......)作为预测集，采用竞争性自适应加权算法进行特征波长的最优波长选择；其中，从所述分析对象数据集中选择相似度满足第一预定条件的多个分析对象数据，包括：计算所述分析对象数据集的光谱数据x与每一类标准参考对象数据子集Refi的最小二乘距离LSP：其中，refcenter为标准参考对象数据子集Refi的中心值；

如果LSP小于预定值，则选择该光谱数据作为分析对象数据子集Stdj的元素；

其中，采用竞争性自适应加权算法进行特征波长的最优波长选择，包括：

采用竞争性自适应加权算法结合连续投影算法筛选特征波长，建立偏最小二乘PLSR模型并进行验证；

其中，采用竞争性自适应加权算法进行特征波长的最优波长选择，包括：

采用竞争性自适应加权算法结合随机蛙跳算法提取特征波段，建立偏最小二乘回归PLSR模型。

2.如权利要求1所述的方法，其特征在于，所述微小型光谱学传感器包括光学传感器、数据存储以及传输模块和控制器，所述光学传感器外接光纤探头，所述光纤探头垂直于分析对象表面。

3.如权利要求1所述的方法，其特征在于，采用高光谱成像系统获取标准参考对象的高光谱图像数据后，生成标准参考对象矩阵式光谱数据库。

4.如权利要求1所述的方法，其特征在于，通过自适应加权采样方法筛选PLS模型中回归系数绝对值最大的波长点，去除权重最小的波长点，交叉验证PLS模型中均方根误差最小的子集对应的光谱变量为最优变量子集。

5.如权利要求1所述的方法，其特征在于，每次建立PLSR模型后，记录该模型中每个特征波段的回归系数，去除回归系数最小的特征波段，缩小特征波段范围后再次建模，最终统计每个特征波段的重要性，从中筛选出最优特征波段。

6.一种近红外光谱定量分析中的波长选择装置，所述装置包括高光谱成像系统、微小型光谱学传感器，其特征在于，所述微小型光谱学传感器为便携可移动式设备；所述波长选择装置还包括数据平滑降噪引擎、小波包分解和重构引擎以及最优波长选择引擎，用于实现权利要求1‑5任一项所述的一种近红外光谱定量分析中的波长选择方法。

7.一种自动实现近红外光谱定量分析中的波长选择的计算机系统，所述计算机系统连接有高光谱成像系统与微小型光谱学传感器，所述高光谱成像系统、微小型光谱学传感器与所述计算机系统的数据处理引擎通信，所述数据处理引擎接收高光谱成像系统以及微小型光谱学传感器获取的光谱数据后，执行权利要求1‑5任一项所述的一种近红外光谱定量分析中的波长选择方法。