重组牛肉技术可以有效地将牛肉胴体拆分等过程产生的碎牛肉粘接成完整牛肉,从而提高碎牛肉经济价值。但是近些年来,不法商贩为了谋取非法利益,利用重组牛肉与原切牛肉不易区分的特点,将重组牛肉标签替换为原切牛肉标签,严重损害了消费者的利益。拉曼散射图像不仅具有传统拉曼光谱高特异性、高灵敏度等特点,还具有获取重组牛肉样本组织特性以及底层物质光谱信号的能力。然而基于拉曼散射图像数据的重组牛肉检测方法仍然存在一些问题。拉曼散射图像存在严重的数据冗余问题,并且特征提取依赖于人工经验,存在信息丢失的风险;还需要解决带有包装袋干扰下的牛肉光谱信号检测问题。这些问题严重影响了模型的精度以及鲁棒性,本文着重研究以上问题,具体研究内容如下:（1）针对重组牛肉拉曼散射图像数据存在的严重数据冗余问题,研究了一种基于波段降维和特征提取的重组牛肉拉曼散射图像检测方法。首先根据散射图像均值特征选择最优波段,然后利用散射图像特征提取方法提取关键特征,最后建立最小二乘支持向量机分类模型（LS-SVM）。实验结果表明:连续投影（SPA）波段降维方法能够有效降低波段冗余,选择了22个最优波段;相较于平均反射法（Mean）、广义高斯分布特征法（GGD）以及GGD-Mean法,改进洛伦兹（MLD）特征提取方法最有效,建立了最优的分类模型,取得了95.8%的召回率,95.4%的精确率以及94.1%的整体精度,这为重组牛肉的快速无损检测提供了一个有效的方法。（2）针对传统建模方法中存在的特征提取步骤依赖人工经验,存在有效信息丢失风险的问题,研究了一种基于Transformer神经网络的重组牛肉拉曼散射图像检测模型-（Raman scattering image Transformer,RSITr）。RSITr引入了自注意力机制（Self-attention mechanism）,使得模型能够关注拉曼散射图像数据中的重要波段或者偏移,从而进一步提高模型性能。实验结果表明:相比于传统的LS-SVM以及经典的LSTM网络,引入了自注意力机制的RSITr模型取得了最优的模型性能,其中召回率为98.3%,精确率为94.4%,整体精度为97.6%,这为建立端到端的重组牛肉拉曼散射图像深度学习检测方法提供了一个有效地途径。（3）针对普遍存在的添加包装袋行为对于牛肉光谱信号产生严重干扰的问题,研究了一种基于自建模混合物分析（SMA）和空间偏移拉曼光谱（SORS）技术的带包装袋牛肉光谱信号检测方法。该方法受到拉曼散射图像技术原理启发,即不同偏移处的拉曼光谱可以理解为包装和牛肉光谱信号不同比例混合的结果。首先采用SMA算法对SORS数据进行分解从而获取内外部物质的纯组分光谱,最后根据分解曲线和光谱角（SA）参数验证分解效果。实验结果表明:与主成分分析（PCA）、非负矩阵分解（NMF）算法相比,SMA取得了最优的分解效果,并且在不同包装厚度的牛肉样本中均得到了较好的分解性能。因此所提出的方法能够有效去除包装对于牛肉光谱信号的干扰。