为满足日益增长的食品安全与品质检测需求，食品工业领域亟待开发可同时快速测定多项食品品质参数（FQPs）的新技术。将近红外光谱（NIR）技术与光谱预测模型相结合，实现食品品质参数的快速、可重复、无损且低成本定量分析，目前已在食品工业中得到越来越广泛的应用。
然而，现有多数基于光谱的预测模型均建立在单任务学习框架下，即针对每一项品质参数单独构建对应的光谱预测模型。这种建模范式忽略了不同食品品质参数预测任务之间潜在的关联性，可能导致单一品质参数预测模型的性能下降。
本研究提出一种基于遗传规划的新型多任务建模方法，命名为EM4GPO，旨在实现多项食品品质参数的同步预测。在 EM4GPO 方法中，研究人员利用多维树结构对原始近红外光谱数据进行编码，提取多项品质参数的共享特征；针对每一项品质参数，在共享特征的基础上构建最小二乘支持向量回归（LS-SVR）模型，以挖掘专属特征并建立预测模型；在模型优化阶段，本研究开发了一种全新算法，将多维多分类遗传规划、多维种群优化方法与非支配排序法相结合，通过种群进化实现对已提取的共享特征、专属特征及 LS-SVR 预测模型的协同优化。
研究人员采用 10 组近红外光谱数据集，对所提出的 EM4GPO 模型进行验证，并与 9 种主流近红外预测模型展开性能对比。实验结果表明，EM4GPO 模型在所有数据集上的表现均优于其他常用方法，证实该方法在基于近红外光谱的多食品品质参数同步预测任务中具有显著的竞争力与有效性。

检测小麦粉中非法添加剂，对维护市场秩序与保障民众健康具有至关重要的现实意义。本研究探究了900–1700 nm 波段高光谱成像技术在小麦粉滑石粉掺假快速检测中的应用潜力。
研究人员提取样品高光谱图像中的原始光谱信息，并分别采用标准正态变量变换（SNV）、基线校正（BC）、多元散射校正（MSC）及高斯滤波平滑（GFS）四种方法进行预处理。基于预处理后的光谱数据，构建偏最小二乘（PLS）定量模型，以预测小麦粉中滑石粉的掺假浓度。结果表明，SNV-PLS 模型性能最优，其校正集与预测集的相关系数（r）均达 0.98，残差预测值（RPD）为 4.69；校正均方根误差（RMSEC）、交叉验证均方根误差（RMSECV）与预测均方根误差（RMSEP）分别为 2.86%、2.99% 和 3.13%。为简化 SNV-PLS 模型，研究进一步采用回归系数法（RC）、连续投影算法（SPA）及竞争性自适应重加权采样算法（CARS）筛选特征波长。基于 CARS 算法筛选出的4 个特征波长（907.135、1339.866、1392.573 和 1394.22 nm） 构建的 SNV-CARS-PLS 模型，在滑石粉含量预测中表现最佳，预测集相关系数（r p）为 0.98，RMSEP 为 2.88%，RPD 达 5.09。
综上，900–1700 nm 波段高光谱成像技术结合 CARS 算法，可进一步开发为便携式检测设备，实现小麦粉中滑石粉掺假的快速精准检测。

玉米中脱氧雪腐镰刀菌烯醇（呕吐毒素）与玉米赤霉烯酮的污染问题对食品安全构成严重威胁。因此，开发一种经济高效且无损的检测方法，实现对受这两种霉菌毒素污染玉米的分类鉴别，已成为一项重要研究课题。
本实验随机选取天然受脱氧雪腐镰刀菌烯醇和玉米赤霉烯酮污染的玉米籽粒为研究对象，采用紫外光激发可见光成像技术结合偏振光成像技术，分别提取玉米胚乳面与胚芽面的纹理及颜色特征。基于所提取的特征，构建 6 种分类模型，对 1035 粒受污染玉米籽粒开展单粒级分类鉴别研究。
结果表明，胚乳面为最优检测面，最优分类模型为支持向量机（SVM），其分类准确率达 88.1%。研究进一步通过图像局部特征分析减少二次污染风险，并借助霉菌毒素浓度验证实验，对模型性能进行深度评估。验证结果证实，该方法可有效区分玉米受脱氧雪腐镰刀菌烯醇和玉米赤霉烯酮污染的 3 个等级，同时还能降低检测平台的搭建成本。

本研究采用单液滴技术，对比拉曼光谱、傅里叶变换近红外（FT-NIR）及傅里叶变换中红外（FT-MIR）三种光谱成像技术，在不同金属基底上对全脂奶粉中乳糖浓度的定量检测效能。
对样品进行干燥处理，可有效规避水分蒸发、油脂降解及胶束引起的散射等易导致检测结果失真的问题。光谱成像技术不仅能最大限度减少取样误差，还可表征样品内组分的空间分布差异。研究以预处理后图像的平均光谱数据为基础，构建偏最小二乘（PLS）回归模型，实现对乳糖浓度的定量预测。
本研究分别构建拉曼光谱、FT-NIR（波数范围 5600–3730 cm⁻¹）、FT-MIR（波数范围 3533–600 cm⁻¹）单技术模型，以及融合三种光谱波段数据的组合模型，并对各模型性能展开对比分析。结果证实，无需添加标准参比物质，利用光谱成像技术即可实现乳糖的快速定量检测；其中，FT-MIR 光谱成像模型性能最优，预测均方根误差（RMSEP）低至 2.8 mg/mL，预测决定系数（R2）达 0.98。

近年来，代谢指纹图谱技术结合先进化学计量学工具在葡萄酒真伪鉴别中的应用日益广泛。尽管已有大量文献报道了各类鉴别策略，但针对所建分类模型长期稳定性的研究却鲜少受到关注。
本研究提出一种可靠且稳健的、基于代谢指纹图谱的多类别葡萄酒品种鉴别策略。实验采用超高效液相色谱 - 高分辨串联质谱联用技术（UHPLC-HR-MS/MS） 开展检测分析，共涉及两组商品葡萄酒样品：一组用于构建分类模型，包含 201 份样品，涵盖 5 个红葡萄品种与 5 个白葡萄品种；另一组用于验证模型的长期有效性，包含 138 份样品，涉及 3 个白葡萄品种。研究人员基于第一组样品的检测数据，构建了正交偏最小二乘判别分析（OPLS-DA）模型。经有效性验证后，利用所建模型进一步构建决策树，实现对葡萄酒样品的品种分类判别。结果显示，各 OPLS-DA 模型的单品鉴别准确率达 90%~100%；决策树模型对红葡萄酒与白葡萄酒的综合鉴别准确率分别为 94% 与 96%。
针对白葡萄酒决策树模型，研究团队采用间隔 4 个月采集的第二组样品开展长期有效性验证。结果表明，该模型对新增样品的正确分类率达 87%，证实了 OPLS-DA 分类模型具备良好的长期稳定性。此外，本研究还初步鉴定出 25 种具有显著统计学意义的品种特征标志物，此类标志物多为黄酮类化合物、酚酸及其衍生物。