粮油作为日常生活中的必需品,是人类赖以生存的物质基础。尽管我国市场经济正在逐步完善建立,但目前的粮油市场正在变得越来越复杂。一些不法商贩为了谋取利益,以次充优,将劣质的粮油产品掺杂在高价值粮油当中,欺骗消费者,因此探索一种准确快速的粮油品质检测方法是一项意义重大的课题。高效液相色谱法、气相色谱-质谱法等被广泛用于粮油安全性分析中。然而,由于样品制备复杂,费时且成本高,这些传统方法难以应用于实际食品生产中。光谱技术具有高灵敏度,高稳定性,高效等优点,它可以完善传统方法的不足,实现粮油在线快速分析。本文对食用油品种的识别进行了分析,研究花生油、玉米油、菜籽油、葵花籽油和大豆油等5种常见食用油。基于近红外光谱和拉曼光谱的融合方法,实现食用油品种的快速识别模型。对采集的近红外光谱执行标准正态变量变换(SNV),多散射校正(MSC),标准正态变量变换和去趋势连用(SNV＿DT)方法,采集的拉曼光谱使用滤波平滑方法(SG)和移动平均平滑法(MA)进行预处理,结合连续投影算法(SPA)和竞争自适应加权(CARS)提取光谱特征,将两种光谱的数据层和特征层分别进行串行融合,采用支持向量机分类模型(SVC)方法,比较全波段和特征波段的拉曼＿近红外光谱食用油品种鉴别模型的预测结果。结果表明:对于拉曼＿近红外光谱数据层融合品种鉴别模型,从训练集和测试集分类准确率来看,MA11-air PLS-Nor-SNV-SVC、MA11-air PLS-Nor-MSC-SVC、SG9-air PLS-Nor-SNV-SVC和SG9-air PLS-Nor-MSC-SVC等四种模型均为100%,而MA11-air PLS-Nor-SNV＿DT-SVC和SG9-air PLS-Nor-SNV＿DT-SVC模型训练集准确为99.62%,测试集准确率为98.88%。在拉曼＿近红外光谱特征层融合模型中,将拉曼光谱进行CARS特征提取,近红外光谱进行SPA特征提取,建立的SVC模型准确率均为100%。采用特征提取方法后能够很大程度上减少用于建模的特征波长变量,能够防止过拟合,并且极大幅度减少模型计算时间,在准确率上也有一定的提高。高光谱技术同时包含光谱和图像两种信息,能无损、准确、大批量地识别稻谷种子,在水稻种子纯度检测和品种鉴定领域具有良好的应用前景,但仍存在数据量大和采集成本高等问题。本文将Lasso算法的稀疏特性和logistic回归模型的分类特点结合起来,建立了一种基于高光谱图像技术的稻谷种子识别方法,对四种混杂了其它类种子的稻谷进行了识别。实验结果表明,通过正则化参数?的调节,可以在特征波段数目和识别正确率之间找到最佳平衡点,建立最优的lasso-logistic回归模型。对四种稻谷种子组合分别挑选出了9个特征波段,利用这些波段获得了95%-100%的识别正确率,整体上明显高于全变量的logistic回归模型。lasso-logistic回归模型既能挑选出影响模型结果的关键波段,又能提高稻谷种子识别的准确率,能达到降低采集成本,提高处理速度的效果,具有良好的实用化前景。