Los cítricos representan el cultivo frutal de mayor valor en términos de comercio internacional, siendo España el primer exportador mundial de cítricos para consumo en fresco. Sin embargo, la presencia de podredumbres causadas por hongos del género Penicillium se encuentra entre los principales problemas que afectan la postcosecha y comercialización de cítricos. Un número reducido de frutas infectadas puede contaminar una partida completa de cítricos durante el almacenamiento de la fruta por largos períodos de tiempo o en el transporte al extranjero, lo que conlleva grandes pérdidas económicas y el desprestigio de los productores de cítricos. Por lo tanto, la detección temprana de infecciones por hongos de forma efectiva y la eliminación de la fruta infectada son asuntos de especial interés en los almacenes de confección de fruta para impedir la propagación de las infecciones fúngicas, asegurando de esta forma una excelente calidad de la fruta y la ausencia total de fruta infectada. En este sentido, la presente tesis doctoral se centra en abordar un reto tan importante para la industria citrícola como es la automatización del proceso de detección de podredumbres incipientes, con el fin de proporcionar alternativas a la inspección manual con peligrosa luz ultravioleta que permitan realizar esta detección de forma más eficiente y, en consecuencia, reducir potencialmente el uso de fungicidas. En concreto, esta tesis doctoral avanza en el campo de la detección automática de podredumbres en cítricos mediante sistemas ópticos y técnicas de aprendizaje automático. Específicamente, se investigan tres técnicas ópticas diferentes que operan en las regiones del visible e infrarrojo cercano del espectro electromagnético, incluyendo la técnica de imagen basada en backscattering, visión hiperespectral y espectroscopía. Los sistemas ópticos usados en esta tesis no están limitados a la parte visible del espectro, por lo que sus capacidades superan a las del ojo humano y a las de los sistemas de visión convencionales basados en cámaras de color, lo cual resulta de especial interés para detectar daños en cítricos que son difícilmente visibles a simple vista, como las podredumbres en estadios tempranos de infección. Además, se exploran numerosas técnicas de aprendizaje automático de reducción de la dimensionalidad de los datos y clasificación, con la finalidad de usar las medidas ópticas de los cítricos para discriminar la fruta afectada por podredumbre de la fruta sana. Las tres técnicas ópticas, junto con métodos de aprendizaje automático adecuados, proporcionan buenos resultados en la clasificación de la piel de los frutos cítricos en sana o podrida, consiguiendo un porcentaje de muestras bien clasificadas superior al 90% para ambas clases, a pesar de la gran similitud entre ellas. En vista de los resultados obtenidos, esta tesis doctoral sienta las bases para la futura implementación de las técnicas ópticas estudiadas en un sistema comercial de clasificación automática de fruta destinado a la detección de podredumbres en cítricos.Citrus fruit is the highest value fruit crop in terms of international trade, with Spain being the first worldwide exporter of citrus fruit for fresh consumption. However, the presence of decay caused by Penicillium spp. fungi is among the main problems affecting postharvest and marketing processes of citrus fruit. A small number of decayed fruit can infect a whole consignment, during long-term storage or fruit shipping to export markets, thus involving enormous economic losses and the blackening of the reputation of citrus producers. Therefore, effective early detection of fungal infections and removal of infected fruit are issues of major concern in commercial packinghouses in order to prevent the spread of the infections, thus ensuring an excellent fruit quality and absolute absence of infected fruit. In this respect, this doctoral thesis focuses on addressing such an important challenge for the citrus industry as the automation of the detection of early symptoms of decay, in order to provide alternatives to human inspection under dangerous ultraviolet illumination, thus accomplishing this detection task more efficiently and, consequently, leading to a possible reduction of the use of fungicides. Specifically, this doctoral thesis advances in the field of the automatic detection of decay in citrus fruit using optical systems and machine learning methods. In particular, three different optical techniques operating in the visible and near-infrared spectral regions are investigated, including hyperspectral imaging, light backscattering imaging and spectroscopy. The optical systems used in this thesis are not limited to the visible part of the electromagnetic spectrum, thus presenting capabilities beyond those of the naked human eye and traditional computer vision systems based on colour cameras, this fact being of special interest for detecting hardly-visible damage in citrus fruit, such as decay at early stages. Furthermore, a vast number of machine learning techniques aimed at data dimensionality reduction and classification are explored for dealing with the optical measurements of citrus fruit in order to discriminate fruit with symptoms of decay from sound fruit. The three optical techniques, coupled with suitable machine learning methods, investigated in this doctoral thesis provide good results in the classification of skin of citrus fruit into sound or decaying, with a percentage of well-classified samples above 90% for both classes despite their similarity. In the light of the results, this doctoral thesis lays the foundation for the future establishment of the explored optical technologies on a commercial fruit sorter aimed at decay detection in citrus fruit.