卷烟产品的质量稳定是烟草企业持续发展的核心所在,往往取决于其原料烟叶的质量好坏,烟叶的品质保证也是相关企业提高服务质量的关键。传统的烟叶质量评价大多采用化学方式对烟叶进行内在化学成分含量的测定和人工评吸,主观性强且效果较差,耗费大批原材料,严重影响了企业的长期发展。所以烟草企业迫切需要结合智能方式,进行对烟叶的高效、客观的数字化质量评价,以确保产品在制造过程中品质的全线链条稳定性。本文针对烟草企业质量检测工作中遇到的问题,以烟叶的近红外光谱数据以及其内在的化学成分、等级等数据作为基础,结合光谱定量分析、定性分析技术和深度学习方法,研究出一种快速可靠的数字化评价方法体系,具体研究内容如下:（1）针对近红外光谱高维、非线性、包含大量噪声对定量建模产生的影响,本文将深度自编码网络引入到光谱特征学习中,提出一种改进卷积自编码网络的特征提取方法1D-BCAE,并将其应用到烟叶关键指标的近红外光谱定量建模中,解决了高维特征间非线性关系的学习问题。该方法首先利用适合光谱数据的一维卷积核和池化窗口进行特征提取,其次在编码过程中加入Basic Block模块,减少了参数数量和计算量的同时,降低了光谱中的噪声及非线性特征的影响。通过设计一种对应相连的结构,连接相对应的编码器和解码器,把编码器中各模块的参数传递给相应的解码器,减少了网络训练过程中细节特征的丢失。通过实验对比重构误差和均方根误差验证了该方法的有效性,并分别采用全谱段和主成分分析（PCA）、卷积自编码网络（CAE）、1D-BCAE方法提取后的特征结合偏最小二乘法（PLS）建立了烟叶中烟碱、总糖指标的定量模型进行了对比分析,结果表明1D-BCAE算法能有效学习高维数据中的内在结构和非线性关系,所建的模型具有更好的性能。该方法完成了待测组分光谱信息的有效提取,实现了烟叶内在化学成分的准确预测输出。（2）本文以一维卷积为基础,提出一种基于Ghost轻量型卷积神经网络的烟叶等级识别方法,针对VGG16网络进行改进,将方形矩阵卷积核和池化窗口改为适应于一维光谱数据的向量卷积核和池化窗口,简化网络结构,提出一种新的Ghost模块替换多层卷积叠加的结构,得到一种Ghost-VGG16模型,对光谱数据进行更深层的提取,防止梯度消失问题。通过批量归一化方式,防止每次通过卷积计算后由于数据内在分布变得分散而导致的网络效率降低问题。以采集到的不同产地的5个不同等级的650个烟叶样本的近红外光谱数据作为数据集,改进后的神经网络为模型,得到训练集和测试集的分类准确率分别为98.0%和97.3%。实验证明,改进后的模型可以有效的学习到原始数据中的分布结构,对近红外光谱数据进行准确的分类判别。使用改进后的模型对烟叶等级进行分类可以得到较好的准确率,分类准确率相比其他几种分类模型效果较好,模型分类效率高,在一定程度上解决了烟叶产区人工分级带来的误差,减少了人力输出,提高效率。