本文建立了一种无损筛选方法，用于鉴别西班牙地理标志保护产品（PDO）“拉维拉甜椒粉” 的真伪。研究以可见 - 近红外光谱作为每份甜椒粉样品的特征指纹图谱，构建了多种多元分类模型，实现对地理标志保护（PDO）与非保护（非 PDO）甜椒粉样品的区分，且整个过程无需对样品进行前处理。研究人员分别在400~2500 nm、400~800 nm 及 800~2500 nm三个光谱区间开展主成分分析（PCA），结果表明，在所有选定的光谱区间内，主成分分析均能有效区分 PDO 与非 PDO 甜椒粉样品。随后，研究在不同光谱区间分别采用偏最小二乘判别分析（PLS-DA）、主成分分析 - 线性判别分析（PCA-LDA）及主成分分析 - 二次判别分析（PCA-QDA）三种方法建立分类模型。实验结果显示，所有模型均能实现两类样品的有效鉴别，错误率（ER）均低于 0.15。其中，在近红外光谱区间（800~2500 nm）基于偏最小二乘判别分析构建的模型表现最优，其错误率低于 0.07，误判指数（IERROR，即假阳性率）低于 0.05。

可可豆壳（CBH）作为天然生物活性化合物来源的应用潜力正日益凸显。本研究采用近红外光谱技术，对可可豆壳样品中的生物活性化合物及其抗氧化活性展开分析。实验所用可可豆均采自墨西哥基因库，并完成发酵处理。研究人员将总糖、总酚、酚类化合物、可可碱及抗氧化活性的参照检测数据，与完整可可豆壳及可可豆的光谱数据进行相关性分析。建模过程中，采用改良偏最小二乘回归法（MPLSR）构建定量校正模型。结果显示，基于可可豆壳光谱数据所建模型，对总糖、可可碱、总酚的定量分析效果良好，决定系数（r2）分别为 0.90、0.83 和 0.81，交叉验证标准差与预测标准差比值（RPD）分别达 3.16、2.39 和 2.28。本研究首次以完整可可豆颗粒的光谱数据为基础，实现了对可可豆壳中生物活性化合物含量的有效校正分析。对于关注可可豆壳生物活性化合物的相关产业而言，该技术可作为一种简便快速的含量预测手段，同时规避了繁琐的剥壳预处理流程。

茶叶等级判定的不确定性会影响茶叶的市场流通，损害相关经济利益。不同品质等级的茶叶价格差异显著，因此快速、准确地鉴别茶叶品质等级，对提升茶叶市场的经济效益具有重要意义。本研究借助化学计量学方法，检测出 19 种影响黄山毛峰茶叶品质的化学物质，并构建了一套基于逐步回归法（SRM）的模型方案，用于茶叶品质等级的评估。逐步回归法筛选稀疏变量的核心原理是：将待选变量代入预设的 F 检验，以此判定变量的取舍。为验证所提方案的有效性，研究人员将逐步回归法的分析结果，与弹性网络算法及偏最小二乘判别分析（PLS-DA）的结果进行对比。此外，为验证模型的稳定性，研究人员对所构建的各类模型开展了蒙特卡洛模拟实验。实验结果显示，逐步回归法、偏最小二乘判别分析及弹性网络算法的预测准确率分别为 68.75%、75.86% 和 71.88%。研究人员基于逐步回归法得到的稀疏系数向量绘制雷达图，结果表明，该方案能够有效消除各检测变量之间的相关性。综上结论，逐步回归法以最少的特征变量实现了最优的预测精度，不仅简化了化学检测流程，更为茶叶品质等级的批量评估提供了一种新颖且有效的技术方案。

本研究旨在利用近红外（NIR）高光谱成像技术检测巧克力粉中花生粉的掺假情况。实验制备了 15 份掺假样品，通过将巧克力粉与花生粉按不同比例混合而成，花生粉的掺假比例分别为 0%、0.1%、1%、10% 和 100%，并采用高光谱相机完成所有样品的光谱采集。研究首先开展主成分分析（PCA）预处理，以探究光谱数据的内在结构特征；随后采用多元曲线分辨 - 交替最小二乘法（MCR-ALS）化学计量学方法，并在浓度矩阵中加入选择性约束条件，将复杂的光谱数据解析为能够表征样品中主要成分的一组组分光谱。此外，本研究还构建了一种基于马氏距离的检测算法，通过计算每个像素点相对于巧克力粉模型分布的马氏距离实现掺假识别。数据分析结果表明，光谱解混问题具有较高的复杂性，推测其原因在于像素视场内存在光谱特征重叠现象，且纯巧克力粉与纯花生粉的光谱特征具有较高的相似性。在引入选择性约束条件后，MCR-ALS 方法的分析效果得到显著提升，进而使检测算法的性能大幅优化。未经约束的 MCR-ALS 方法在混合样品中检测出的掺假像素占比范围为 0% 至 2.2%；而施加选择性约束的 MCR-ALS 方法则在相同样品中检测出了 0.03% 至 17.0% 的掺假像素占比。该技术流程证实，即使在最低掺假浓度（花生粉占比 0.1%）条件下，花生粉掺假行为仍可被有效检出。本研究结果充分证实了近红外高光谱成像技术结合化学计量学方法在食品掺假检测领域的应用潜力。

本研究成功构建了一种人工智能（AI）辅助的高光谱显微成像（HMI）方法，可同时鉴别五种常见食源性致病菌。高光谱显微成像技术在活体细胞表征方面具有显著优势，其细胞区域的每个像素均蕴含丰富的光谱信息。为评估不同区域的分类性能，本研究选取了三个感兴趣区域（ROI）开展实验，包括全细胞区域、边缘区域（即细胞膜外侧）及中心区域（即细胞内部区域）。研究提出并优化了一种基于长短期记忆网络（LSTM）的循环神经网络模型，用于直接处理从不同感兴趣区域采集的光谱数据。对比基于主成分分析（PCA）结合不同分类器的模型 —— 包括主成分分析 - 线性判别分析模型（PCA-LDA，识别准确率 66.0%）、主成分分析 - K 近邻模型（PCA-KNN，识别准确率 74.0%）及主成分分析 - 支持向量机模型（PCA-SVM，识别准确率 85.0%）—— 本研究构建的人工智能分类器在中心区域数据集上的识别准确率高达 92.9%，表现最优。此外，人工智能辅助高光谱显微成像技术可实现光谱信息的快速预测，是一种高效的食源性致病菌鉴别工具。