传统酿酒流程中的摘酒工艺是影响最终成品酒质量的极其重要环节之一,然而传统的看花摘酒对人工经验的依赖性强,且难以进行量化表征,无法形成标准化摘酒依据。论文基于总设计方案建立智能摘酒系统的硬件结构和软件体系,提出基于白酒密度和温度的酒精度实时检测方法,进行实际分段摘酒实验,测试系统的分段摘酒功能。采用气相色谱和偏最小二乘回归法对白酒中含有的微量成分进行定量分析,研究基于神经网络算法的白酒品质识别方法,从而实现智能摘酒系统的品质分级功能。主要研究内容如下:首先,智能摘酒系统的软硬件设计。分析系统的功能要求,设计系统总体方案,调研系统各关键部件的相关参数并进行选型,分别对系统的接酒部分、检测部分、分段部分进行结构设计和加工装配,初步完成智能摘酒系统的搭建,编写PLC控制程序,加入白酒风味物质检测软件。其次,基于酒精度实时检测的分段摘酒实验研究。利用白酒酒精度与密度、温度之间的数值关系,建立酒精度实时检测方法,选定分段摘酒实验场地,确定传感器与PLC之间的通信方式,进行分段摘酒实验,观察原酒分段结果,采集传感器数据,验证酒精度实时检测方法的精准性。再次,基于偏最小二乘回归法（Partial Least Squares Regression,PLSR）的白酒微量成分分析。采用气相色谱内标法对白酒样品中33种微量成分进行定量检测,结合偏最小二乘回归法提取主成分,建立偏最小二乘回归模型,分别采用留一法和jack-knife法进行交叉验证和方差估计,再对模型回归系数进行显著性检验,筛选出对白酒品质预测影响较为显著的风味物质种类,结果表明乳酸乙酯、乙酸乙酯等10种风味物质对白酒品质等级的预测有显著性影响。最后,基于粒子群算法（PSO）优化径向基（RBF）神经网络的白酒品质分级模型。结合粒子群优化算法与径向基神经网络建立PSO-RBF神经网络,将筛选后的10种白酒风味物质数据采用Z-score标准化处理后,结合PSO-RBF神经网络建立白酒品质分级模型,分析模型训练过程中的适应度和预测均方差变化曲线,对比本文算法和RBF神经网络的训练结果,说明了本文算法的优越性和分级模型预测的精准性。