1.一种基于GWAS筛选后近红外光谱特征波段预测品质的方法，其特征在于，所述方法包括：样本配置步骤、基于待测的全面肉质性状配置设定规模的原始肉类样本，按照设定的处理策略进行样本制备处理，并对制备的各目标样本进行编号；

数据测定步骤、通过近红外光谱采集设备对各目标样本进行扫描获取近红外光谱数据，利用近红外设备附带的测定功能模块，或匹配的理化测定手段获取各目标样本的肉质性状数据，并将两种数据关联记录；

GWAS分析步骤、利用GEMMA软件调用线性混合模型对两者进行GWAS分析，获取对应的分析结果；

特征图绘制步骤、基于GWAS分析后的结果文件，配合设置的显著性阈值线绘制对应的曼哈顿图；

特征筛选步骤、依据曼哈顿图中的各项肉质性状指标表征信息相对于光谱波段表征信息的分布情况，筛选确定所有肉质性状指标对应的有效光谱波段；

预测应用步骤、利用近红外光谱技术基于筛选得到的有效光谱波段实现肉质性状的预测。

2.如权利要求1所述的方法，其特征在于，在所述样本配置步骤中，待测的肉质性状包括以下指标：脂肪、水分、蛋白质、瘦肉率、胶原蛋白、盐分、灰分、饱和脂肪酸、能量kJ/100g、能量kcal/100g、钠盐、PH值、L*值、a*值以及b*值。

3.如权利要求1所述的方法，其特征在于，在所述样本配置步骤中，按照设定的处理策略进行样本制备处理的过程包括：去除各原始样品表面可见的脂肪与筋膜，采用粉碎设备将每个样品搅碎以使粉碎样品能选样均匀填入圆形玻璃平皿中。

4.如权利要求1所述的方法，其特征在于，在所述数据测定步骤中，扫描获取近红外光谱数据后还包括：运用马氏距离判别法对超过马氏距离阈值的样本进行剔除，将剩余的样本作为有效的样本投入肉质性状数据获取及后续步骤。

5.如权利要求1所述的方法，其特征在于，在所述GWAS分析步骤中，包括：将肉质性状数据作为表型文件，将近红外光谱数据作为基因型文件，输入到相应的GEMMA软件或平台中，调用线性混合模型进行GWAS分析，以有效消除光谱波段之间存在的多重共线性对分析结果产生的影响。

6.如权利要求5所述的方法，其特征在于，所述GWAS分析步骤中，调用下式所示的线性混合模型：Y＝Xb+Zu+ε

其中，Y为样本对应的表型向量，X为由协变量生成的固定效应矩阵，Z为聚合了所有样本光谱信息的随机效应矩阵，b和u分别表示固定效应和随机效应的权重系数，ε为残差。

7.如权利要求1所述的方法，其特征在于，在特征图绘制步骤中，以光谱波段作为横坐标，显著性p值进行‑log10转换后作为纵坐标绘制散点图，采用Bonferroni校正法设置显著性阈值线。

8.如权利要求1所述的方法，其特征在于，在特征筛选步骤中，针对各个肉质性状指标，选取每个指标在特征图中超过阈值的每一个顶峰以及其左右各设定数量的波段，将这些波段作为对应单个肉质性状指标的匹配近红外特征波段。

9.如权利要求1所述的方法，其特征在于，所述方法还包括分析验证步骤、在预测应用步骤之前，对筛选出的特征波段运用多元线性回归模型相对于全波段进行验证，通过计算以下参数：校正集决定系数 交叉验证集决定系数 校正集均方根误差(RMSEC)和交叉验证集均方根误差(RMSECV)对比衡量所筛选特征波段相对于全波段的预测结果。

10.一种基于GWAS筛选后近红外光谱特征波段预测品质的系统，其特征在于，所述系统执行如权利要求1～9中任意一项所述的方法。