羊肉美味独特,富含营养,深受食用者的欢迎。非冻结储运模式下的冷鲜羊肉最大限度地保留了肉品原有口感和营养,逐渐成为肉品消费市场的主流,然而冷鲜羊肉在贮运过程中易受微生物等影响导致新鲜度下降速率快、货架期短。新鲜度作为衡量羊肉经济价值和食用性的重要标准,对新鲜度的精确检测既可以维护消费者权益、保障食用安全,也能够加强对食品监督部门的监管。传统的肉类新鲜度检测方法已经不能满足羊肉流通中快速无损检测的需要,由于羊肉腐败变质过程复杂,单一的无损检测方法很难得到全面准确的评价,因此,研究羊肉新鲜度的快速检测与综合评价方法十分必要。本研究对不同新鲜度的冷鲜羊肉进行了实验测定,分析了羊肉变质过程中新鲜度的变化规律及新鲜度指标之间的相关性,挖掘出能够体现新鲜度的关键指标;选择气体传感器技术和近红外光谱技术,分别获取微环境气体信息和光谱信息,并以总挥发性盐基氮（TVB-N）含量为关键指标,建立羊肉新鲜度预测模型;在这个基础上,采用特征层数据融合方式处理多源信息,并以三种典型的人工智能方法构建基于多源数据融合的冷鲜羊肉新鲜度预测模型。通过对多源数据融合模型的讨论,以期达到对冷鲜羊肉新鲜度准确、综合评估方法探索的目的,为下一步羊肉新鲜度准确无损检测系统的开发奠定理论基础。具体的研究内容和结论如下:（1）冷鲜羊肉新鲜度指标之间的关联性探讨。探索不同贮藏时间下冷鲜羊肉的变化机制,分析新鲜度下降过程中羊肉理化指标、微生物指标和感官指标的动态,深入挖掘各项指标变化规律与指标间的相关性,确定TVB-N是表征羊肉新鲜度的重要指标。（2）基于气体传感信息的冷鲜羊肉新鲜度评价。通过多传感器气体采集装置监测冷鲜羊肉贮藏过程中微环境气体浓度的变化,充分挖掘微环境气体浓度与冷鲜羊肉新鲜度指标之间的关系;以连续时间序列下羊肉贮藏微环境中氧气、二氧化碳和硫化氢含量为基础,并以TVB-N为新鲜度评价标准,建立了基于BP神经网络的羊肉新鲜度预测模型。其结果表明该预测模型的效果较好,相对误差控制在10%以下,能够实时监测羊肉新鲜度变化,基本满足预测需求。（3）基于近红外光谱信息的冷鲜羊肉新鲜度评价。通过近红外光谱仪对680nm～2600nm下的冷鲜羊肉进行光谱信息获取,并对原始数据进行多元散射校正（MSC）方法的处理以降低光谱误差,接下来使用连续投影算法（SPA）缩小存在信息冗余的差距,将筛选出的38个特征变量作为BP神经网络和偏最小二乘回归（PLSR）模型输入量,构建羊肉TVB-N含量预测模型。通过比较预测集结果,基于BP神经网络模型的决定系数和均方根误差分别为0.81、3.04 mg/100g;PLSR模型的决定系数和均方根误差分别为0.78、3.15 mg/100g,可见BP神经网络模型的预测效果明显优于PLSR模型。（4）基于多源数据融合的冷鲜羊肉新鲜度评价。在上述研究的基础上,利用特征层数据融合方式对两种不同技术获取的气体数据和光谱数据进行融合处理,以主成分分析法获得的最优主成分数为预测模型的输入值,并基于BP神经网络、径向基函数神经网络（RBF）、最小二乘支持向量机（LSSVM）方法分别构建TVB-N含量的预测模型进而实现冷鲜羊肉新鲜度综合评价。其对比结果显示,两种检测技术信息相互融合建立的模型效果,比逐个技术获取的单一信息所建立的模型更加具有优势,三种融合模型相对应预测集的决定系数分别为0.75、0.85、0.83,预测均方根误差分别为2.62 mg/100g、2.39 mg/100g、2.42 mg/100g,其中RBF神经网络建模方法为最优,能够更加全面、准确地反映羊肉新鲜程度。