当前我国有机食品行业快速发展,体现出消费者对食品质量安全的重视以及国家对可持续农业生产方式的倡导。大量传统农产品的生产已逐步转为有机农业生产,鸡蛋生产也不例外。有机蛋鸡的饲养需满足严格的有机畜禽养殖规定,相比于以商业饲料为主生产的普通鸡蛋,有机鸡蛋因为富含丰富的营养价值和更高的生产成本所以市场上的售价也更高。目前,市场上销售的有机鸡蛋虽然均通过了严格的有机食品认证程序,但仅凭有机食品认证标识依旧不能阻止不法分子利用普通鸡蛋来冒充有机鸡蛋销售,从而牟取利益。已有一些学者通过分别提取有机鸡蛋与普通鸡蛋的内容物,分析多种理化指标来对其进行区分。为保证消费者的权益和有机鸡蛋生产商的利益,本文基于高光谱成像技术结合模式识别方法,建立了有机鸡蛋与普通鸡蛋鉴别模型,实现了对鸡蛋饲养系统快速、准确、无损的鉴别,主要内容如下:（1）基于数字图像处理技术、光谱数据预处理方法与光谱数据特征波段筛选算法实现了对鸡蛋样本高光谱数据的ROI区域光谱数据的提取和分析。搭建实验室高光谱透射成像架构,分别获取两类鸡蛋样本的高光谱数据。利用高光谱数据中的图像信息,通过数字图像处理方法实现对蛋清、蛋黄ROI区域的自动定位。提取出各ROI区域的平均光谱数据,基于训练集数据波段点的方差信息保留了有效信息波段点,排除强噪声与无效信息波段点。对提取出的光谱数据进行S-G卷积平滑、一阶导数、二阶导数和多元散射校正的光谱数据预处理操作。为缩小变量范围,建立PLS模型选择经一阶导数预处理后的蛋黄ROI区域数据做重点分析。然后为减轻建模复杂程度并提升模型预测准确力,对光谱数据进行降维操作,使用SPA特征波段选择算法从全波段点中选出包含128个波段点的最佳波段组合,占总波段数的63%。使用CARS特征波段选择算法从全波段点中选出包含115个波段点的最佳波段组合,占总波段数的57%。（2）基于SVM、SCN与1D-CNN模型,建立有机鸡蛋与普通鸡蛋的鉴别模型,实现了对鸡蛋生产系统的鉴别工作。根据鸡蛋的不同来源,将鸡蛋以3:1的比例划分为训练集样本和测试集样本。使用经一阶导数预处理后的蛋黄ROI区域的原始光谱和经SPA、CARS特征波段选择后的光谱数据,分别建立基于支持向量机、随机配置网络和卷积神经网络的有机鸡蛋与普通鸡蛋鉴别模型。在建立的SVM模型中,CARS-SVM模型在测试集数据上的表现最好,预测准确率为90.75%;在建立的SCN模型中,CARS-SCN模型对测试集数据的表现最好,预测准确率为89.5%;最佳模型在1D-CNN模型中得到,其中SPA-1D-CNN模型为在所有模型中的表现最好,测试集数据的预测准确率为91.75%。1D-CNN的模型结构、优化器选择、初始学习速率、Batch-size等参数均根据多次预试验确定,相比于传统的机器学习技术与浅层神经网络,CNN模型稳定性更好且具有较强的泛化能力,可以用来建立准确、可靠的有机鸡蛋与普通鸡蛋鉴别模型。（3）基于MATLAB的图形用户界面开发设计了有机鸡蛋与普通鸡蛋鉴别软件,完成软件界面设计与功能实现,以形象、直观的方式实现对鸡蛋类别的分类。