目前,市场上的大米品质检测方法,多是肉眼去区分,耗费大量的时间和人力,而且检测的结果含有人的主观色彩,导致大米的检测结果较低,随着计算机技术的飞速发展,AI时代的到来,越来越多由人完成的工作将会被机器所取代。作为计算机技术一种的机器分析技术,现在已经被广泛的应用到了各个领域,并显示出了较好的效果,我们将机器分析技术应用到大米领域,可以弥补人工区分大米时主观情感强的问题,机器分析技术在分析大米等级时能够更加的公平客观,传统的大米分类主要集中在图像上,并取得了一定的研究进展。大米评论可以反映出其他用户对该大米的评价,但评论中的文本量非常少,出现评论信息的数据稀疏性问题。而基于多模态的大米分类系统研究相对而言比较少,这也使得大米图像、文本和视频等多模态数据分类方法成为研究探索的新方向。针对大米商品的数据的多模态性,本文提出基于典型相关分析图像和文本特征融合的大米分类方法,采用了基于大米图像和文本特征融合的方法对大米商品分类,提高大米分类的准确率。通过对大米图像轮廓特征的提取,得到了大米周长、面积、长和宽四个参数,并使用无监督的K-means聚类算法将提取到的特征聚为三个簇,并求其与训练集中的特征向量的欧式距离。在大米文本特征的提取方面,首先需要采用词袋特征法将大米文本评论转化为文本特征向量,然后采用词频逆词频(TF-IDF)方法来求出文本特征向量中每一个特征词的重要性评分,最后用卡方统计法计算出具有区分度的大米文本特征。基于典型相关分析(CCA)模型对大米图像和文本特征融合,采用随机森林模型,经过CCA融合后的融合特征向量。实验表明本文使用的模型与单文本大米分类和单图像的大米分类模型相比提高了分类的准确率,解决单图像和单文本数据稀疏问题,提高了大米分类的准确率。