黑龙江省作为一个大米种植的大省,大米的年产量每年都在全国的前列。但由于黑龙江省不同产区大米质量各不相同,各产区大米也不尽相同,这就导致了部分商家为获得不法收益而进行以次充好的行为,导致了大米产地信息被破坏,丧失了其在人们购买大米时的参考价值。因此为解决目前大米行业存在的产地混乱问题,提出了大米产地安全溯源方法。大米安全溯源技术包括近红外光谱技术、计算机视觉检测技术等。由于化学溯源技术检测周期较长,难以实现实时在线检测,而物理溯源技术虽然检测速度较快但准确率较低,降低了实际应用的可靠性,因此本文通过提出一种基于跨媒体特征融合的近红外光谱与计算机视觉联合检测的溯源方法,旨在解决大米实时在线产地溯源的准确性和可靠性问题。本文进行黑龙江省大米产地分类的方法有三种,分别为:基于图像特征的黑龙江省大米产地分类研究、基于近红外光谱特征的黑龙江省大米产地分类研究及基于跨媒体特征融合的黑龙江省大米产地分类研究。在进行基于图像处理的黑龙江省大米产地分类研究中分别对图像进行了图像去噪声、图像二值化及图像特征提取操作,并结合了不同算法进行了黑龙江省大米产地分类实验。在进行基于近红外光谱的黑龙江省大米产地分类研究中,对近红外光谱进行了预处理和特征提取,并在此基础上利用不同分类算法进行黑龙江省大米产地分类实验。最后,对大米图像特征及大米近红外光谱数据特征进行了跨媒体特征融合,得到新的融合特征。并进行了基于支持向量机、BP神经网络及随机森林三种机器学习算法与跨媒体特征融合建模,对黑龙江省大米产地进行分类。将跨媒体特征融合的大米产地分类与图像特征、近红外光谱的大米产地分类进行对比分析,实验结果表明,跨媒体特征融合方法比单一的大米产地分类方法分类准确率更高。因此通过利用近红外光谱的数据特征与大米外观图像特征进行跨媒体融合的综合分析方法,既可以对大米产地进行实时在线的检测,又可避免采用单一的近红外光谱分析方法对实验结果产生不准确性和不可靠性的影响。