食品安全关系着人们的健康与社会稳定性,因此,食品安全问题不仅吸引着无数学者从技术层面改善食品安全问题,还有政府部门和相关机构试图从政策法规层面改善食品安全问题,此外,广大消费者更加因为自身利益关注食品安全问题。为了确保食品安全,改善食品质量,地方和国家的相关机构都不时的对食品进行抽样调查,因此国家食品药品监督管理局有大量的食品抽样检测数据。这些抽样数据中隐含了大量食品信息,通过合适的算法和分析可以预测食品质量并追溯食品问题源头。极限学习机(Extreme Learning Machine,ELM)是一个基于神经网络的方法,可以根据食品类别,食品产地,食品生产季节,食品检测地点,检测季节,以及其他相关数据属性,以一定的精度预测食品质量。本文运用食品抽样检测数据,通过极限学习机算法对食品质量进行分类预测,并且可对食品所有可溯源信息进行查询以及关联分析。本文首次将极限学习机算法运用到食品安全溯源系统,并且取得了良好的效果;同时,根据极限学习机的特点,本系统能够为未来抽样计划提供更好的结构。本文详细讨论了系统算法设计与实现,并通过ELM与传统Logistic回归方法的计算结果对比,验证了 ELM算法对于构建食品溯源辅助系统有更高的计算效率和更高的准确率,而且对于未来食品抽样检测方法提供新的思路。