煎炸油在经过多次煎炸后,不仅会影响煎炸食品的口感,同时也会降低煎炸油的品质。随着煎炸次数增多,油里的有害物质不断增多,进而导致煎炸油的品质严重下降。所以本研究提出在标准实验操作下,采用近红外光谱(NIRS)技术结合机器学习方法来检测煎炸油品质。将煎炸油品质折算到标准实验操作下的煎炸次数,从机器学习的分类和回归两种不同角度分析,分别建立随机森林(RF)和偏最小二乘(PLS)模型。首先,本文设计了标准煎炸实验操作,过程是以大豆油作为煎炸油,冷冻薯条作为煎炸物质,共进行十次煎炸操作。每次煎炸操作在不添加新油的情况下,将大豆油反复煎炸15次,并得到15次不同煎炸次数的光谱数据。其次,使用一阶导(D1)、二阶导(D2)、标准正态变量变换(SNV)和多元散射校正(MSC)等方法对这些光谱数据进行预处理,并且根据分类和回归的结果来选择最佳的预处理方法。同时,根据分析的角度不同,采取不同的特征波长选择方法。随机森林模型采用相关系数方法选择特征波长,偏最小二乘模型则采用向前间隔偏最小二乘(FiPLS)、向后间隔偏最小二乘(BiPLS)和遗传算法(GA)来选择特征波长。最后,经过分析发现随机森林模型采用D1和相关系数相结合方法处理光谱后,得到的模型准确率最高,训练集准确率(TRA)为100%,测试集准确率(TEA)为93.33%,袋外数据(OOB)误差率为0.04148。而对于偏最小二乘模型,采用SNV、FiPLS和GA相结合的方法来处理光谱数据时,模型的效果最好,决定系数(R~2)为0.9994,预测均方根误差(RMSEP)为0.1060和相对分析误差(RPD)为40.7021。研究结果表明,本文所采用的两种不同类型的建模方法都能够快速、准确的鉴别煎炸油的品质,同时也为煎炸油品质的检测提供了便捷高效的方法。