水分含量（Moisture content，MC）对油茶种子的储存、运输和加工至关重要。本研究旨在探讨利用可见近红外高光谱成像（visible near-infrared hyperspectral Imaging，VNIR-HSI）（374.98~1038.79 nm）结合深度学习（deep learning，DL）方法检测油茶种子中MC的可行性。首先，提出了一种利用粒子群优化（particle swarm optimization，PSO）在卷积神经网络回归（convolutional neural network regression，CNNR）模型中搜索最优超参数（批大小和学习率）的方法。利用原始光谱数据和预处理数据，比较了偏最小二乘回归（partial least squares regression，PLSR）、支持向量机回归（support vector machine regression，SVR）、AlexNet和CNNR模型的预测性能。然后，采用4种特征提取算法（相继投影算法（successive projection algorithm，SPA）、竞争自适应重加权采样（competitive adaptive reweighted sampling，CARS）、粒子群算法（PSO）和最优深度学习框架）提取光谱变量。确定了最优混合预测模型PSO-CNN-SVR，预测集的决定系数（R2P）为0.918。此外，利用最优简化模型生成油茶种子中MC的空间分布，实现油茶种子中MC的可视化。研究结果表明，HSI技术与DL技术相结合，为实现油茶种子MC的无损检测和可视化提供了一种可靠、高效的方法。