食源性致病菌引起的食源性疾病严重影响人们的生活品质和身体健康。因此,研究一种快速、准确、成本低且适用范围广泛的食源性致病菌检测技术具有重要的意义。本文将高光谱技术和化学计量学相结合,以大肠杆菌、金黄色葡萄球菌和沙门氏菌三种食源性致病菌为研究对象,分别研究高光谱技术对不同培养时间、不同培养基上细菌菌落的检测能力,主要研究成果如下:(1)确定了基于高光谱技术的不同培养时间下细菌菌落分类检测的最优方法和最佳细菌培养时间。研究对培养24±2h、48±2h和72±2h三个时间梯度的细菌菌落进行高光谱图像采集,利用形态学处理确定细菌菌落的感兴趣区域ROI并提取细菌光谱数据。对三个时间梯度的数据和所有时间混合的数据采用不同预处理方法和不同波长选择方法,分别建立基于偏最小二乘判别分析(PLS-DA)、遗传算法优化支持向量分类(GA-SVC)和粒子群算法优化支持向量分类(PSO-SVC)的全波长和特征波段模型。结果表明,PLS-DA模型仅可以对培养48±2h的细菌样本进行较好的分类,而SVC模型能够对所有三个培养时间的样本进行单独和整体的检测。综合考虑细菌检测周期和检测精度,确定24±2h是细菌分类检测的最佳培养时间。其中,最优的全波长模型为三个培养时间样本的整体混合数据经过SG光谱平滑后建立的遗传算法优化支持向量分类模型(All-SG-GA-SVC),其校正集分类准确率、预测集分类准确率和Kappa系数分别为98.69%、98.75%和0.981;最佳的简化模型为三个培养时间样本的整体混合数据经过SG光谱平滑和GA波长选择后建立的遗传算法优化支持向量分类模型(All-SG-GA-GA-SVC),其校正集分类准确率、预测集分类准确率和Kappa系数分别为98.69%、98.57%和0.979。(2)确定了基于高光谱技术的不同培养基上细菌分类检测的方法。研究采集了三种不同通用培养基(溶菌肉汤琼脂LA、平板计数琼脂PA和胰蛋白胨大豆琼脂TSA)上培养24±2h细菌菌落的高光谱图像,提取了细菌菌落的平均光谱和像素级光谱,并分别建立基于细菌菌落级的偏最小二乘判别分析(PLS-DA)、遗传算法优化支持向量分类(GA-SVC)、粒子群算法优化支持向量分类(PSO-SVC)和蚱蜢算法优化支持向量分类(GOA-SVC)的全波长和特征波段模型以及像素级的卷积神经网络模型。对菌落级细菌分类,仅SVC全波长模型和简化模型能够实现不同培养基上的细菌分类检测,其中最佳的全波长模型为数据经过MSC预处理后建立的蚱蜢算法优化支持向量分类模型(MSC-GOA-SVC),其校正集分类准确率、预测集分类准确率和Kappa系数分别为99.45%、98.82%和0.982;最佳的简化模型为数据经过MSC预处理和CARS波长选择后建立的蚱蜢算法优化支持向量分类模型(MSC-CARS-GOA-SVC),其校正集分类准确率、预测集分类准确率和Kappa系数分别为99.45%、98.73%和0.980。对像素级细菌分类检测模型,采用具有Le Net-5网络结构的卷积神经网络可以实现对细菌在像素级上进行准确和稳定地预测,且当迭代次数为1000、卷积核尺寸为1×13时,模型的预测分类准确率达到97.07%。本研究为不同培养环境下致病菌的检测提供了更简单、便捷的检测方法,为开发便携式致病菌检测仪器奠定基础。