食品安全问题是人们非常重视的问题,而食用油安全又是食品安全的重要环节。食用油是人们日常饮食必须要摄入的成分,食用油品质的优劣与人们的健康息息相关,因此食用油品质的鉴别一直是一项非常重要的研究课题。拉曼光谱技术以其无损、快速、灵敏度高等检测特点而被广泛应用于食品检测领域。基于拉曼光谱建立的一些传统模型,需要根据先验知识来进行特征提取,这会使特征提取过程变的复杂,而且模型的鉴别能力也有限。因此本文在采集拉曼光谱时在测量体系中引入扰动变量来突出样本间的差异,并使用深度学习技术进行建模来完成食用油中抗氧化剂的鉴别。文章的主要研究内容如下:（1）针对被测对象设计不同扰动实验,获取拉曼光谱数据,并对数据进行简单预处理,然后经过二维相关光谱分析后使一维拉曼光谱数据转换成二维图像数据,建立深度学习模型所需的数据集。（2）对食用油中抗氧化剂进行定性鉴别,本研究基于一维拉曼光谱数据和二维图像数据建立起两类深度学习模型来完成定性鉴别任务。通过对各模型鉴别结果的分析,可以发现基于二维相关光谱数据建立的卷积神经网络模型在所有建立的模型中达到了最好的鉴别效果。（3）建立了偏最小二乘回归、卷积神经网络和卷积神经网络结合偏最小二乘回归三种回归模型完成定量任务。对比三种模型在两次扰动实验中获得的数据集上的预测效果以及模型的评价指标。结果表明,卷积神经网络模型的预测能力更强,且扰动实验一更有利于抗氧化剂的定量分析。本文的研究结果表明,扰动拉曼光谱结合深度学习技术在食用油中抗氧化剂鉴别方面的可行性和潜力,也为食用油的品质鉴别提供了新的思路。